本文介绍了一种可直接在图形上操作的卷积神经网络,其架构推广了基于圆形指纹的标准分子特征提取方法,说明这些数据驱动的特征更易解释,并且在多种任务上具有更好的预测性能。
Sep, 2015
在分子属性预测的算法解决方案中,神经机器技术的进步导致了一系列算法解决方案,其中神经网络应用于计算分子指纹或专家制作的描述符以及构造学习分子表示的图卷积神经网络最为有效,这项研究进行了广泛的基准测试,并提出了优于现有模型的图卷积模型的实证发现。
Apr, 2019
我们提出了一种基于图表示的全能且鲁棒的 Directional Node Pair (DNP) 描述符,该描述符能够结合分子的几何信息和化学特征,并构建了能够综合考虑节点和边特征的 Robust Molecular Graph Convolutional Network (RoM-GCN) 模型,在蛋白质和小分子数据集上验证了 DNP 描述符在融合分子的 3D 几何信息方面的优越性,RoM-GCN 模型优于所有对比基准模型。
Jul, 2023
我们提出了一种很简单的方法来修改 GIN 卷积,以便使网络可以检测到很小的环,这对于在化学上下文中对图形子结构进行分析的下游任务非常重要。在真实的分子属性数据集上进行测试,我们的模型始终改善了大型多任务数据集的性能,无论是在全局还是在每个任务的设置中。
Nov, 2020
本文提出了一种新的方法,使用具有所有节点连接的虚拟超级节点来表示整张图并改进图像运算以帮助超级节点学习整体特征,同时采用集中损失来处理药物数据集中的类别不平衡问题。该方法显著提高了小分子属性预测的性能。
Sep, 2017
研究表明,基于分子结构的图神经网络架构是目前预测分子性质最好的机器学习方法之一,并且可以监督大规模重复评估化合物库。使用新的有机光伏应用候选分子数据库进行的实验证明,即使不要求最优的立体结构输入,利用信息传递神经网络可以获得与现有基准数据集上最先进方法相媲美的准确性。
Jul, 2018
本文综述了用于表示生物分子和系统的计算机可识别对象的方法学,特别是强调基于图形技术的几何深度学习模型如何分析生物分子数据以实现药物发现,蛋白质表征和生物系统分析,最终总结了该领域的当前状况以及存在的挑战和未来研究方向。
Apr, 2023
本文介绍了一种基于图卷积网络模型和输入归因方法的自动生成新分子方法,解决了药物设计中如何确定哪些分子的哪些方面对其最终活性 / 性能是更有影响力的问题。同时也探讨了过度优化和适用性两个问题的应用实例。
Jan, 2022
本文提出了一种基于原子层次化学相互作用的空间卷积神经网络来预测蛋白质 - 配体复合物的生物活性,并展示了其优于化学信息处理方法的实验结果。
Mar, 2017
本文研究了图对比学习在生物医药领域中的应用,提出了一种利用本地和全局领域知识来辅助表示学习的框架 MoCL。使用双重对比目标学习整个模型。在不同的分子数据集上进行了评估,结果表明 MoCL 达到了最先进的性能水平。
Jun, 2021