Jun, 2017

Chemception：深度神经网络匹配专家开发的 QSAR/QSPR 模型的性能，且对化学领域知识要求极低

PDF
TL;DR本文介绍了一种基于深度学习算法的化学性质预测方法，使用仅为分子的二维结构图像，该方法可以用于毒理，活性和溶解度等方面的预测，并已在专家开发的 QSAR/QSPR 深度学习模型中达到了匹配的性能。
发现论文，激发创造
  • 基于规则标签的弱监督学习：用于可转移化学性质预测的 ChemNet

    本研究旨在提出一种基于规则知识训练的 ChemNet 神经网络，从大规模未标记化的化学数据库中进行弱监督学习，通过迁移学习的方法对化学性质进行预测，并证明其相比于常规监督学习的深度神经网络模型具有更高的准确性，同时不受网络结构类型限制。该预训练 ChemNet 的应用可以通过整合化学领域知识，实现对新型化学性质预测的更为精确和系统化。

    Dec, 2017

  • 计算化学中的深度学习

    本文综述了深度神经网络在计算化学等领域中的广泛应用和优越表现，强调它作为一种有价值的机器学习工具在未来将发挥重要作用。

    Jan, 2017

  • SchNet - 分子和材料的深度学习架构

    使用 SchNet 这种特定深度学习架构模拟原子系统，预测化学空间中分子和材料的一些性质，以及分子动力学模拟中的势能面和保能力场，实现了 C20-fullerene 的量子力学性质的研究。

    Dec, 2017

  • PotentialNet 用于分子性质预测

    该论文介绍了使用基于深度神经网络的机器学习方法来改进药物发现过程中分子属性预测的性能，包括设计出的 PotentialNet 结构和 EF$_{chi}^{(R)}$ 指标以及交叉验证策略等，并在多个基于配体的任务中验证了模型性能的创新性。

    Mar, 2018

  • PhysNet：用于预测能量、力、偶极矩和部分电荷的神经网络

    该论文介绍了 PhysNet，这是一种设计用于预测化学系统能量、力和偶极矩的深度神经网络，能在化学反应、长程相互作用和凝聚相系统中表现出卓越的性能；研究发现，在能量预测中明确地包含静电作用对于 PES 的渐近区域进行正确描述至关重要，并且 PhysNet 模型能够推广到更大的蛋白质，如二聚体 10 - 丙氨酸。

    Feb, 2019

  • 深度张量神经网络从量子化学角度的洞见

    本文提出了一种基于深度张量神经网络（DTNN）的方法，可以实现空间和化学分辨率高的分子系统在量子力学观测量方面的分析，此方法可以用于预测分子的原子能和局部化学势，同位素能和分子的电子结构，为揭示复杂的量子化学体系提供了新的突破。

    Sep, 2016

  • 有机化学反应预测的神经网络

    利用神经网络和 SMARTS 变换预测有机反应类型和产物，以提高有机合成规划的效率。

    Aug, 2016

  • DeepCCI: 化学化合物相互作用预测的端到端深度学习

    本文提出了 DeepCCI，第一个用于化学物质之间化学 - 化学相互作用的端到端深度学习方法，用卷积神经网络自动提取表示化学结构的特征，以改善在药物分析方面的预测性能。

    Apr, 2017

  • 催化蒸馏神经网络用于少量催化剂开放挑战

    本文介绍了 2023 年的 Few-Shot Open Catalyst Challenge，通过 MLP-Like 技术和 Catalysis Distillation Graph Neural Network (CDGNN) 框架来解决催化过程的数据集问题。结果表明，CDGNN 在氢氧化物电催化反应途径的最先进和高效的确定方面优于目前的图神经网络方法达 16.1%。因此，CDGNN 提供了催化学中少量数据学习的有希望的方法。

    May, 2023

  • 药物反应预测的混合量子神经网络

    利用深度量子神经网络的结构，提出一种用于预测药物效果的混合量子模型，并在减小的癌症药物敏感性基因组数据集上进行定量分析，表明该型混合量子模型比经典算法预测的药效值高出 15% 以上。

    Nov, 2022