Dec, 2018

分子优化的多模态图形到图形翻译学习

PDF
TL;DR本文采用图表征相似的分子并通过图表征将其转换为拥有更好性质的分子，采用基于树的模型以支持多样性的输出，并用低维潜在向量扭曲转换过程以实现多样性，并且用对抗训练方法以对齐分子的分布。实验表明，该模型优于目前最先进的基准。
molecular optimizationgraph-to-graph translationjunction tree encoder-decoderadversarial traininglatent vectors
发现论文，激发创造
  • 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

  • 分子超图文法及其在分子优化中的应用

    本文介绍一种新的分子超图文法变分自编码器 (MHG-VAE)，通过使用一个单一的 VAE 结合基于贝叶斯优化的技术，利用分子超图文法编码硬化学限制来指导 VAE 生成有效的分子，以解决分子优化中的两大挑战：有效性和成本效益。

    Sep, 2018

  • 用多模态对比学习从自然语言中提取分子性质

    将自然语言和图形表示相结合，通过对齐神经图形表示和特性文本描述的表示，提高了下游分子属性分类任务的性能，实现了与仅以图形方式进行预训练的模型相比的 + 4.26% AUROC 的增益，并相对于最近提出的分子图 / 文本对比训练的 MoMu 模型 (Su et al. 2022) 的 + 1.54% 增益。

    Jul, 2023

  • 应用于分子性质预测的图神经网络上的多任务学习

    提出了一种基于图神经网络模型的最新、高效的多任务预测方法，结果表明，多任务学习可以提高模型性能，特别是数据点较少的数据集可以不需要数据增强，便能获得较好的效果，并且能显著减小模型的方差。

    Oct, 2019

  • 多模态信息下的分子联合表示学习

    本文提出了一种新的分子联合表示学习框架，通过 SMILES 和分子图的多模态信息进行多模态融合，改进了自我注意力机制，并进一步提出了双向消息传递图神经网络来增强从图中聚合的信息流以进一步组合。我们通过公共性质预测数据集上的大量实验证明了我们的模型的有效性。

    Nov, 2022

  • 一种分子多模基础模型，将分子图与自然语言相关联

    通过对分子的图形和语义相关文本数据进行对比学习，我们提出了一个分子多模态基础模型，该模型结合了图形和自然语言的特定和互补信息，更好地抓住了分子的专业知识以及具备了从自然语言描述中生成有意义的分子图形的能力。

    Sep, 2022

  • 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

  • 分子生成的数据有效图形语法学习

    本文提出了一种数据效率的生成模型，其核心是可学习的图形语法，能够从比常规基准小几个数量级的数据集中学习，生成高质量的分子。

    Mar, 2022

  • 化学语言与分子图在多模态融合深度学习中的整合，用于药物性质预测

    准确预测分子性质是药物发现中的一个具有挑战性但必不可少的任务。最近，多模态深度学习方法成功应用于分子性质预测，以克服传统单模态学习方法的局限性并提升模型在准确性、可靠性和抗噪性方面的表现。

    Dec, 2023

  • 分子图生成的联合树变分自编码器

    本文提出了一种基于 junction tree variational autoencoder 生成具有化学相关性的分子图的方法，能够在保持化学有效性的情况下，通过生成固定结构的分子骨架并使用图消息传递网络组合它们。研究人员在多个任务上进行了评估，并发现该方法明显优于之前的最先进基准。

    Feb, 2018