Mar, 2017

MoleculeNet: 分子机器学习基准

PDF
TL;DRMoleculeNet 是一个大规模分子机器学习基准测试，为多种先前提出的分子特征化和学习算法提供高质量的开源实现，并证明了可学习的表示是分子机器学习的强大工具，但其性能受到数据稀缺和高度不平衡分类的影响，物理感知特征化的使用对于量子力学和生物物理数据集更为重要。
molecular machine learningbenchmarkmoleculenetfeaturizationlearnable representations
发现论文，激发创造
  • 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

  • MolNet: 预测分子属性的化学直觉图神经网络

    该研究提出了一种基于 MolNet 的图神经网络（GNN）模型来获取三维分子的物理化学特性及其非化学键信息，同时该模型在 BACE 和 ESOL 数据集的分类和回归任务上皆表现出良好的性能。

    Feb, 2022

  • 分析学习的分子表征进行性质预测

    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

  • 分子模拟的机器学习

    介绍了机器学习在分子模拟及预测量子力学能量与力学、粗粒化分子动力学、提取自由能面和生成网络方法等应用方面的研究进展，同时探讨了在此领域中的一些挑战。

    Nov, 2019

  • 面向大规模多任务数据集的分子学习基础模型

    我们提供了七个新颖数据集，覆盖了超过 1 亿个分子和 3000 个任务，用于支持分子学习的基础模型的开发，并介绍了一个简化构建和训练分子机器学习模型的图形机器学习库。通过在大量的量子数据上进行训练，我们实证观察到在低资源的生物学数据集上的表现得到改善，这表明在基础模型上进行多任务和多层训练，并对资源受限的下游任务进行微调可能具有潜力。

    Oct, 2023

  • 用于高通量聚合物筛选的信息传递神经网络

    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

  • 三维分子任务 ATOM3D

    该研究介绍了 ATOM3D 的程序，该程序为生物分子的三维计算方法提供了统一的工具包，其中包含多个基准数据集以及多个三维分子学习任务的实现，结果表明多数分子问题都可从三维分子学习中获益，并提供全面套件的工具进行数据集处理、模型培训和评估。

    Dec, 2020

  • 分子系统准确高效的几何深度学习的通用框架

    基于几何深度学习和图神经网络的 PAMNet 是一个通用框架，通过引入物理信息偏置来模拟三维分子的局部和非局部相互作用，具有高效且准确的学习分子表示能力，在小分子性质、RNA 3D 结构和蛋白质 - 配体结合亲和性等学习任务中表现优异，适用于广泛的分子科学应用。

    Nov, 2023

  • 分子构象集的学习：数据集与基准

    分子表示学习具有在药物发现和酶设计等众多生物化学应用中的显著影响。我们提出了第一个全面评估从同构体集合学习的潜力的 MoleculAR Conformer Ensemble Learning (MARCEL) 基准，并建议有前景的研究方向。我们的研究结果表明，直接从可访问的同构体空间学习可以提高各种任务和模型的性能。

    Sep, 2023