Dec, 2017

基于拓扑结构的多任务深度神经网络预测毒性

PDF
TL;DR本研究基于持久同调和机器学习算法，提出了一种新的拓扑学方法 —— 元素特异性持久同调（ESPH），可用于小分子的毒性定量预测，并可优于现有方法。同时提出了一种基于拓扑学的多任务策略，并开发了计算带有元素特异性拓扑描述符（ESTDs）的在线服务器。
toxicityquantitative analysispersistent homologymachine learningtopological learning
发现论文，激发创造
  • 拓扑性，还是非拓扑性？基于深度学习的预测

    新材料，量子科学与技术，深度学习模型，持久同调，图神经网络

    Oct, 2023

  • ToDD: 计算机辅助药物发现中的拓扑化合物指纹

    这篇论文研究了使用多参数持久化同调学习虚拟筛选，在分子结构信息的多个分辨率级别提取其持久同调特征，形成一个多维向量拓扑指纹，并将筛选过程视为一个基于图形排名的问题，实现在药物发现中应用。

    Nov, 2022

  • 深度图像理解的拓扑表示学习

    通过拓扑数据分析法，我们提出了一种新颖的深度学习框架，以更好地分割和不确定性评估复杂的细微结构，如生物医学应用中的神经元、组织和血管，为可扩展的标注提供了有力工具。

    Mar, 2024

  • 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

  • 拓扑神经网络的持续性、等变性、连续性

    通过结合拓扑神经网络（TNNs）和持久同调（PH）的方法，构建了一种广泛的框架 TopNets，扩展了 GNNs / TNNs 和 PH 在空间设置中的应用范围，提高了简单消息传递网络的表达能力，并在抗体设计、分子动力学模拟和药物属性预测等各种任务中取得了良好的性能。

    Jun, 2024

  • 用于代谢物注释的集成光谱预测（ESP）模型

    本文介绍了一种基于机器学习和神经网络的代谢物注释模型 ——Ensemble Spectral Prediction (ESP)，该模型通过加权 MLP 和 GNN 光谱预测器的输出来生成查询分子的光谱预测，可提高注释能力的 41% 和 30%，是目前神经网络方法中性能最优秀的模型之一，并在实验中验证了候选分子的相似性和数量对注释性能的影响。

    Mar, 2022

  • 基于拓扑特征和神经网络的图像分类

    通过持续同调方法，将拓扑学特征与深度学习特征相结合，用于多类别分类任务，对 MNIST 数据集进行分析和评估，发现拓扑信息可以提高神经网络的准确性。

    Nov, 2023

  • 一种深度神经网络 -- 机械混合模型预测大鼠药物动力学

    通过采用扩展的混合模型并在更大的数据集上进行训练，我们成功改善了之前开发的模型，将总体口服暴露的中位倍数误差从 2.85 降低到 2.35，静脉给药从 1.95 降低到 1.62，实现了对药代动力学不利显性统计配置的化合物进行筛选和开发，同时提供了预测其他指标（如性别和剂量形式）的能力。

    Oct, 2023

  • 使用图神经网络和小样本学习进行毒性分子分类的基准测试

    采用图卷积网络（GCNs）、图同构网络、多头注意力、大规模对抗增强与少样本学习，本研究在毒性分子的图分类任务中对分子的结构数据与毒理学特性进行精确捕捉。实验表明，与基线 GCN 模型相比，本方法在多样的毒理学数据集上实现了 0.816 的令人瞩目的 AUC-ROC 值，超过基线模型 11.4%，突显了所提出方法和少样本学习在推进毒性分子分类方面的重要性，有望提高药物发现和环境风险评估流程。

    Nov, 2023

  • E (n) 等变拓扑神经网络

    图神经网络、拓扑深度学习、E（n）等变拓扑神经网络、几何特征和结构丰富数据的学习

    May, 2024