NIPSNov, 2017

神经消息传递半监督学习分子的分层表示

PDF
TL;DR本文提出一种适用于无监督和半监督任务的分层特征提取算法，使用神经信息传递机制，用于分子（或具有固定节点和边类型的图形对象）的表示学习，经在多个基准数据集上的测试，证明了方法优于现有方法，同时半监督任务的预测性能也优于有标记样本的监督学习。
moleculessemi-supervisedunsupervisedneural message passingsubgraphs
发现论文，激发创造
  • 分层互信息传递用于分子图学习

    使用层次神经消息传递结构对分子图进行学习，并在 ZINC 数据集和 MoleculeNet 基准集的数据集上验证其性能。

    Jun, 2020

  • 量子化学中的神经消息传递

    本文介绍了一种基于神经网络模型的消息传递神经网络 (Message Passing Neural Networks, MPNN)， 并探索了 MPNNs 的衍生变体。在化学性质预测基准测试中，使用 MPNNs 获得了最先进的结果，表明将来的研究应该集中在具有更大分子或更精确地基础事实标签的数据集上。

    Apr, 2017

  • N-Gram 图：用于图表征的简单非监督方法，并应用于分子

    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

  • 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

  • 化合物的增强聚类和新兴性质的无监督学习分子嵌入

    分子结构和性质的详细分析具有通过机器学习进行药物开发发现的巨大潜力。我们介绍了用于基于 SMILES 数据检测和聚类化学化合物的各种方法。通过分析化学化合物的图形结构，我们的方法使用向量搜索来满足阈值值，并得到显著而集中的聚簇，该方法在查询和理解化合物方面产生了有利结果。此外，我们还使用存储在向量数据库中的 GPT3.5 的自然语言描述嵌入，优于基本模型。因此，我们引入了一种相似性搜索和聚类算法，以帮助搜索和与分子进行交互，增强化学探索的效率并实现未来在分子属性预测模型中的新发性能的发展。

    Oct, 2023

  • 半监督 GCN 学习分子结构 - 活性相关性

    本文提出使用半监督学习训练图形神经网络来归因结构 - 属性关系，并将此方法应用于溶解度和分子酸度两个案例研究，以验证其与已知实验化学数据的一致性。该方法可为活性崖、引物优化和新药设计等问题提供有价值的工具。

    Jan, 2022

  • 大规模分子数据上的自监督图变换器

    研究如何通过图神经网络（GNN）和自我监督学习来进行分子表征学习，并设计了一个名为 GROVER 的框架，通过预训练和任务特定的微调，达到较高的分子性质预测准确性。

    Jun, 2020

  • 简单流形消息传递用于化学性质预测

    该论文提出了一种基于 Simplicial Message Passing 框架来处理分子结构的方法，其中包括用于量子化学性质预测的深度学习体系结构，并比传统的 MPNN 表现更好。

    Jun, 2023

  • 分层图到图分子翻译

    本文重点研究了药物发现方面的自动优化工具，并且提出了一种基于图像及其翻译方法的分子优化技术，利用其原子级编码和自回归图形解码器解决分子结构中的多个技术挑战。同时，我们的模型在多项任务中显著优于现有的基准模型。

    Jun, 2019

  • 使用边更新的神经消息传递，预测分子和材料的属性

    本文研究在分子图中应用神经信息传递以提高物质形成能预测及其他性质。通过引入边更新网络和各个原子的隐藏状态，该方法在 QM9、材料计划和 OQMD 三个公开数据集上表现出明显的优势。此外，通过比较使用 K 近邻、最大距离截断或泰森多边形图法生成晶体结构图，结果表明使用 K 近邻生成图可以获得更好的预测准确性。

    Jun, 2018