DeepAutoQSAR
用于预测性机器学习（ML） 模型训练和应用的自动化、可扩展解决方案
利用最先进的方法构建高性能的机器学习（ML） 模型
DeepAutoQSAR 是一款基于机器学习（机器学习（ML） ，ML）的解决方案，可帮助用户根据化学结构预测分子性质。该自动化监督学习流程使新手和经验丰富的用户都能训练并推断出业界领先的定量结构活性/性质关系（QSAR/QSPR）模型。
核心能力
借助全自动工作流简化模型构建流程
自动计算描述符和指纹，使用多种机器学习（ML） 架构创建模型，并评估模型性能。
使用独特的项目专用描述符，根据您的项目需求定制模型
您可以提供自己的描述符（CSV格式），将其与DeepAutoQSAR生成的描述符结合使用或替代后者，以满足小分子以外的广泛应用需求，例如聚合物、有机电子 、催化等领域。
遵循最佳实践，确保模型优化
采用 QSAR/QSPR 最佳实践，在确保预测模型性能最大化的同时，最大限度地降低模型过拟合或性能表征失真的可能性。
利用模型置信度估计来理解适用范围
DeepAutoQSAR 在提供模型预测结果的同时，还会给出不确定性估计，以帮助确定对于可能超出模型训练集范围的候选分子所生成的预测结果，应给予多大的置信度。
通过可视化和分析结果来获得更深入的见解
通过颜色编码可视化原子对靶点 性质的贡献，从而促进新型化学结构的构思。在Maestro 中可视化并分析DeepAutoQSAR指标报告和图表，以支持后续实验——快速了解哪些模型架构最为有效，以及模型在保留集上的泛化能力如何。
可扩展的训练，以支持大小规模各异的数据集
在较小规模的数据集上使用经典机器学习方法（如提升树），同时利用图神经网络和其他现代深度学习方法支持最大规模的QSAR/QSPR模型。
案例研究与网络研讨会
了解Schrödinger 技术如何被用于解决现实世界中的研究难题。
文档与教程
了解常见问题的解答，并掌握使用Schrödinger软件的最佳实践。
相关产品
进一步了解可用于推进您研究项目的相关计算技术。
出版物
浏览采用Schrödinger 技术、发表在相关应用领域的经同行评审的出版物列表。