Login
- Originaltitel:
- Current Limitations of Text-based Molecular Representations for Machine Learning in Small Molecule Drug Discovery
- Übersetzter Titel:
- Aktuelle Einschränkungen textbasierter molekularer Repräsentationen für maschinelles Lernen in der Wirkstoffforschung mit kleinen Molekülen
- Autor:
- Hartog, Peter Bart Rudolf
- Jahr:
- 2025
- Dokumenttyp:
- Dissertation
- Fakultät/School:
- TUM School of Life Sciences
- Institution:
- Professur für Data Science in Systems Biology (Prof. List)
- Betreuer:
- Theis, Fabian (Prof. Dr. Dr.)
- Gutachter:
- Theis, Fabian (Prof. Dr. Dr.); Tetko, Igor V. (Priv.-Doz. Dr.)
- Sprache:
- en
- Fachgebiet:
- BIO Biowissenschaften; MAT Mathematik
- TU-Systematik:
- BIO 105; MAT 022
- Kurzfassung:
- This thesis focuses on text-based molecular representations, particularly SMILES, in machine learning applications for drug discovery. We evaluate the robustness of explainable AI (XAI) and the efficiency of retrosynthesis. It highlights variability in XAI explanations, optimizes retrosynthesis models, and identifies limitations in SMILES. Findings propose strategies to improve applications of text-based representations and the faithfulness of XAI in drug discovery.
- Übersetzte Kurzfassung:
- Diese Dissertation konzentriert sich auf textbasierte molekulare Repräsentationen, insbesondere SMILES, in maschinellen Lernanwendungen zur Wirkstoffforschung. Sie bewertet die Robustheit erklärbarer KI (XAI) und die Effizienz der Retrosynthese. Variabilitäten in XAI-Erklärungen, Optimierungen der Retrosynthese und SMILESEinschränkungen werden hervorgehoben. Die Ergebnisse schlagen Strategien vor, um textbasierte Anwendungen und die Zuverlässigkeit von XAI zu verbessern.
- WWW:
- https://mediatum.ub.tum.de/?id=1773695
- Eingereicht am:
- 10.03.2025
- Mündliche Prüfung:
- 12.05.2025
- Dateigröße:
- 7724920 bytes
- Seiten:
- 104
- Urn (Zitierfähige URL):
- https://nbn-resolving.org/urn:nbn:de:bvb:91-diss-20250512-1773695-0-4
- Letzte Änderung:
- 30.05.2025
BibTeX