开题报告内容：
人工智能方法在药物发现中已被广泛运用，本课题主要是通过学习深度学习中的一些生成模型，了解其运行机制，从而生成一定规模的小分子化合物库，并对不同模型的生成结果进行比较分析。
本课题大致分为如下几个模块：
1. 人工智能方法在药物发现中的运用；
2. 几种生成模型及其特征；
3. 基于生成模型的小分子化合物库生成；
4. 比较与分析不同生成模型生成的分子库。
药物研发是一项复杂的工程，为了得到疗效可靠且毒副作用小的药物，需要进行大量的实验，浪费大量的人力物力财力。与此同时，在有机合成中，为了得到目标化合物或者找到高产率的反应条件，也需要进行不断的尝试，进行大量的实验，从经济环保高效的角度出发，构建各种可靠的计算模型，实现数据驱动的药物设计和有机合成是至关重要的。用计算机模拟药物结构，模拟药物反应，可以提高药物研发的效率，还可以大幅度的减少对财力物力人力的浪费。
深度学习作为一种机器学习表征算法,使用包含多层非线性处理单元的神经网络来学习数据表征,通过反向传播算法来指示机器应如何更改其内部参数发现数据集中的复杂结构。深度学习有多种框架,被广泛用于语音识别、视觉识别和自然语言处理等领域,并取得了极佳的效果。由于各种组学和生物学数据的积累,深度学习模型已经在药物设计的各个领域崭露头角,并且在某些领域的表现要优于简单的机器学习模型。除了药物设计外,深度学习模型凭借其强大的学习表征和数据处理能力,在逆合成路线和反应产物预测等有机合成相关问题上也有出色的表现。
典型的深度学习模型有卷积神经网络( convolutional neural network)、DBN和堆栈自编码网络(stacked auto-encoder network)模型等。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
