药物发现中的图级表示学习
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
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
本研究提出了多种分子图表示法,探究了它们对模型学习和解释的影响,结果显示将原子图表示和减少的分子图表示相结合可以产生具有前途的模型性能。 此外,解释结果可以提供与背景知识一致的重要功能和潜在子结构。这些多个分子图表示和解释分析可以提高模型理解,并促进药物发现相关应用。
Apr, 2023
本文介绍了 MolCLR 框架:通过图神经网络的分子对比学习,基于大规模未标记的分子数据集学习不同 iable 的表征,提供预训练和微调来有效地预测分子性质,实验结果显示该框架在分类和回归任务上显着提高了性能。
Feb, 2021
综述了机器学习和图学习在分子设计和药物发现中的应用,提出将这些方法分成三类,并总结了常用的评估指标和公共数据集。最后,从药品视角探讨了未来研究的挑战和方向。
Feb, 2022
本研究提出了可推广和可转移的分层图卷积神经网络(MGCN)以预测分子性质。研究中将每个分子表示为图以保留其内部结构,并且通过多级交互从构象和空间信息直接提取特征,从而可以利用多级总体表示来进行预测。实验结果显示 MGCN 具有显著的泛化能力和可转移性。
Jun, 2019
我们开发了一套深度学习方法和综合工具,针对分子属性预测和药物发现,跨越不同的计算模型、分子表示和损失函数。我们将分子表示为图和序列,并围绕这些表示所构建的深度模型进行学习。为了有效地从高度不平衡的数据集中学习,开发了优化精度 - 召回曲线下面积的先进损失函数。在在线和离线抗生素发现和分子属性预测任务中的结果表明,我们的方法相对于之前的方法实现了持续的改进,并在与 COVID-19 相关的 AI Cures Open Challenge 中以 ROC-AUC 和 PRC-AUC 方面均排名第一。
Dec, 2020
本文介绍了一种新的无监督分子表示方法 N-gram graph,通过组合短途径图中的顶点嵌入来构建分子的紧凑表示,从而有效地预测分子性质并证明其在预测中的优势。
Jun, 2018
提出了一种名为 Bi-GNN 的方法,用于建模生物学链接预测任务,如药物相互作用(DDI)和蛋白质相互作用(PPI),该方法不仅利用了药物分子本身的图形表示,还包括相互作用图。
Jun, 2020