KDDDec, 2017

SMILES2Vec: 一个可解释通用的深度神经网络，用于预测化学性质

PDF
TL;DR本文研究了 SMILES2vec 方法，即使用深度循环神经网络学习 SMILES 格式中的结构信息，预测多种化学性质，比传统方法更加准确和可解释。
smiles2vecchemical propertiesneural networkstoxicityinterpretable
发现论文，激发创造
  • CheMixNet: 使用多种分子表征的混合 DNN 架构预测化学性质

    本文提出了一种基于 SMILES 和分子指纹的混合特征的神经网络模型 CheMixNet，其用于预测化学物质的性质，与其他候选神经网络体系结构相比取得了更好的效果。

    Nov, 2018

  • 学习 SMILE (S)

    该论文证明了可以直接将自然语言处理方法应用于化学信息学的分类问题中，并通过 SMILES 化合物的标准文本表示考虑了这些看似不相关的领域之间的联系。研究了针对目标蛋白的活性预测问题，这是计算机辅助药物设计过程中的关键部分。实验结果表明，这种方法不仅能够超越手动制作表示结果的最高水平，还直接获得结构洞见以了解决策的制定方式。

    Feb, 2016

  • SMILES 枚举作为分子神经网络建模的数据增强

    使用 SMILES 枚举技术对分子 QSAR 数据集进行数据增强，使得神经网络训练表现得更好。该技术不仅适用于训练阶段，还能在预测阶段对结果进行进一步提升。

    Mar, 2017

  • 将 SMILES 的语言知识融入化学语言模型

    本研究使用 SMILES 语法解析技术从 SMILES 中获取子结构的连接性和类型背景知识并将其注入转换器模型，从而提高了分子属性预测的性能。

    Apr, 2022

  • SMILES Transformer: 面向低数据药物发现的预训练分子指纹

    本文介绍了一种基于 SMILES Transformer 的分子指纹预测方法，该方法在虚拟筛选和其他药物发现任务中表现出优越性，在小数据集和复杂分析环境中表现良好。

    Nov, 2019

  • 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

  • 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

  • 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

  • 化学反应感知分子表示学习

    该研究提出使用化学反应来辅助学习分子表示，强制规定化学方程中反应物嵌入和生成物嵌入之和相等，以保持嵌入空间的良好组织，并提高分子嵌入的泛化能力。实验结果表明，该方法在多个下游任务中获得了最先进的性能。

    Sep, 2021

  • 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