Nov, 2018

利用归因来解码化学神经网络模型中的数据集偏差

PDF
TL;DR研究了如何用 attribution method 对深度神经网络模型进行解释，发现存在数据集偏差，进一步提出了一种测试数据集偏差的方法，为揭示药物作用机理提供了重要指导。
deep neural networksfragment pharmacophoresbinding mechanismattribution methoddataset bias
发现论文，激发创造
  • 通过校准的深度神经网络和自我训练提取化学物质 - 蛋白质相互作用

    提出一种基于 DNN 的方法，结合了不确定性信息和校准技术来提取化学物质 - 蛋白质之间的相互作用。该方法能够估算数据不确定性并提高模型可靠性，同时改善性能并保持高校准能力。

    Nov, 2020

  • 一种混合量子经典融合神经网络用于提高药物发现中蛋白质 - 配体结合亲和力预测

    本研究提出了一种新的混合量子 - 经典深度学习模型，用于药物发现中的结合亲和力预测，并通过在优化的量子架构中同时整合 3D 和空间图卷积神经网络，模拟结果显示与现有经典模型相比，预测准确度提高了 6％，收敛性能明显更稳定。

    Sep, 2023

  • 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

  • 一种用于蛋白质 - 配体结合亲和力预测的深度学习模型的开发与评价

    本研究基于结构的配体发现，利用深度神经网络和三维卷积技术实现，通过对配体 - 受体复合物进行建模，准确地估算它们间的结合亲和力，多项测试表明本方法优于经典评分函数。

    Dec, 2017

  • 药物发现中的可解释深度学习

    本文旨在揭示预测分子性能和生物活性的神经网络是如何生成并理解隐藏于模型中的学习表示的。我们提出了一种解释神经元如何被用作分类器的方法，用以确定具有药效或毒性结构的成分，从而为化学、药理学和生物化学领域提供新的视角与重要的知识。此外，我们还提出了一种从模型中提取新型药效或毒性结构的方法，并证明这些结构与文献中的发现是一致的。通过这些可解释的知识，我们能更好地开发和设计新的药物分子，同时理解当前方法的失败和成功。

    Mar, 2019

  • 地球科学问题的神经网络归因方法：一个新的合成基准数据集

    研究了在地球科学的问题中应用神经网络时，可用的理论解释非常有限。因此，该研究提出了一种基于可加分离函数的框架，用于生成已知先验归因地面真实性的回归问题的归因基准数据集，并使用该数据集进行有关 XAI 方法的客观评价，以提高模型信任度和帮助发现新的科学。

    Mar, 2021

  • 元模型改进的配体 - 蛋白结合亲和力预测

    通过整合发布的经验结构基于对接和序列基于深度学习模型，我们开发了一个元建模框架，多个元模型在结合输入特征多样性的情况下，显著提高了结合亲和力预测的准确性，从而节省了找药物的时间和费用。

    Oct, 2023

  • DeepDTA: 深度药物 - 靶向结合亲和力预测

    利用卷积神经网络对药物靶点结合亲和力进行预测并得出最优模型，成果优于传统算法和现有最先进算法。

    Jan, 2018

  • 使用 DIONYSUS 在低数据化学数据集上的概率模型校准和推广性

    本文研究了概率机器学习模型在小化学数据集上的建模效果，通过实验评估了不同分子表示和模型的预测和不确定性，并提供了关于模型和特征选择的实用见解，为新型化学实验中常见的场景提供了帮助。

    Dec, 2022

  • 使用有针对性的干预进行活跃因果学习，解码化学复杂性

    基于分子结构预测和增强固有性质对于医学、材料科学和环境管理中的设计任务至关重要，本研究介绍了一种主动学习方法，通过智能抽样和干预来辨识潜在的因果关系，以优化在未接触到的化学空间内的设计任务。

    Apr, 2024