Aug, 2016

机器学习中的分子表示理解：独特性和目标相似性的作用

PDF
TL;DR介绍了基于量子力学的分子表示层次结构，使用多体展开式控制目标相似性，并使用高阶贡献提高预测准确性和速度的 BAML 模型在数千种小有机分子的性质计算中表现出了前所未有的预测准确性和速度。
machine learningmolecular representationquantum mechanicsmany body expansionspredictive accuracy
发现论文，激发创造
  • 化合物空间分子电子性质的机器学习

    结合现代科学计算和电子结构理论，基于深度多任务人工神经网络的机器学习模型能够对上千个有机分子的多个电子基态和激发态性质进行预测，从而实现对合成可及的虚拟化合物库的高通量筛选，成本极低且准确度与现代量子化学方法相当甚至更优。

    May, 2013

  • 分子电子结构的多任务学习方法接近耦合群精确度

    发展了一种统一的机器学习方法，用于有机分子的电子结构，使用 CCSD (T) 计算作为训练数据，模型在计算成本和各种量子化学性质的预测准确度上优于常用的 B3LYP 泛函。将模型应用于芳香化合物和半导体聚合物上，对基态和激发态性质进行了验证，展示了其对于复杂系统的准确性和概括能力。

    May, 2024

  • MoleculeCLA: 通过计算化学配体 - 靶标结合分析重新思考分子基准

    构建精确大规模的分子表示数据集，通过深度学习模型为药物发现的人工智能领域提供准确可靠的基准。

    Jun, 2024

  • 分子性质的机器学习：局部性和主动学习

    本篇论文提出了一种基于局部相互作用模型和主动学习算法的新型机器学习算法，可以在较小的训练集上提供高精度预测，并显著减少异常值误差，从而为材料设计和药物发现等领域提供更有效的高通量筛选方法。

    Sep, 2017

  • 分子属性预测的图多相似性学习

    我们提出了图形多相似学习（GraphMSL）框架，它在连续尺度上捕捉了分子的自相似性和相对相似性，从而显著提高了分子性质预测中的表示学习的效果。此框架通过不同化学模态推导出单峰多相似性度量，融合这些度量到多模态形式中，灵活的融合函数可以重塑模型的重点以传达不同的化学语义，并通过各种下游任务和事后分析显示出了显著的性能，在药物发现评估中具有重要潜力。

    Jan, 2024

  • 机器学习统一材料和分子建模

    本研究基于局部化学环境和贝叶斯统计学习的机器学习模型，提供了一个统一的框架，可以预测原子尺度的稳定性和不同类别的分子的化学精度，可以区分活性和非活性的蛋白质配体，这种方法可以对材料和分子的势能面提供新的洞察。

    Jun, 2017

  • 巨型语言模型能够提升分子属性预测吗？

    使用 Large Language Models (LLMs) 进行零 / 少量数据量的分子分类以及利用由 LLMs 生成的文本解释作为分子表示，可以大大提高分子属性预测的精度。

    Jul, 2023

  • 从表示学习中暂停：分子性质预测

    本研究对比了随机森林、MolBERT 和 GROVER 三种基于 Extended-Connectivity Fingerprint、SMILES 字符串和分子图的分子表示学习模型，评估了其在 MoleculeNet 数据集和类阿片类物质数据集预测方面的效果，并探讨了数据集分布、活性悬崖、模型评价、任务设定和化学空间泛化等方面对模型效果的影响，旨在为提高该领域人工智能技术贡献可能的思路。

    Sep, 2022

  • 基于量子力学数据的原子水平预训练对图神经网络分子性质模型的分析

    通过原子级量子力学预训练数据，本研究探讨了如何改善深度学习在定量构效关系模型中的性能与广义性，以解决新颖化合物的现实情景下训练与测试数据的分布不一致问题，并显示了在公共数据集 TDC 上，原子级量子力学预训练可以改善性能，使特征激活更加符合高斯分布，从而得到更稳健的表示。据我们所知，这是首次分析隐藏状态分子表示以比较分子级与原子级预训练对量子力学数据的影响。

    May, 2024

  • 利用机器学习快速准确地建模分子原子化能

    我们引入了一个机器学习模型来预测有机分子的原子化能，基于核电荷和原子位置。该回归模型是通过将求解分子 Schr"odinger 方程的问题映射为复杂度较低的非线性统计回归问题。我们使用杂化密度泛函理论计算的原子化能进行回归模型的训练和比较。通过对超过七千个小有机分子进行交叉验证，得到的平均绝对误差为～10 kcal/mol。该模型的适用性已经通过预测分子原子化潜能曲线得到证明。

    Sep, 2011