对抗学习分子图推断和生成
MolGAN 是一种基于图形结构数据的深度生成模型,旨在绕过化学结构的昂贵搜索程序,通过直接生成分子图来优化不同 iable 模型,结合强化学习目标,以鼓励特定化学属性的分子生产。
May, 2018
MolIG 是一种多模态分子预训练框架,通过图像和图结构创新地利用分子图和分子图像之间的一致性和相关性执行自监督任务,有效地将两种分子表示形式的优势融合在一起,这种整体方法能够捕捉关键的分子结构特征和高层次的语义信息,并在分子拓展组和 ADMET 拓展组等基准组中,相对于先进的基线模型展现出在分子性质预测等拓展任务中性能的提升。
Nov, 2023
通过引入一种基于演员 - 评论家强化学习的生成对抗网络 (GAN) ,称为 InstGAN,将独特的即时和全球奖励的方法用于在分子级别上进行多属性优化,以解决生成对抗网络和强化学习模型的训练不稳定和高计算成本的挑战,实验证明 InstGAN 在生成具有多属性优化的分子方面优于其他基线模型,并且性能可与最先进的模型相媲美,同时高效地生成分子。
Mar, 2024
该研究介绍了多个新的生成对抗网络模型,基于参数化量子电路与已知的生成对抗网络相结合,利用强化学习原理构建了一个新的多参数奖励函数。实验结果表明,这些模型在基准药物设计数据集 QM9 和 PC9 上表现优于以前的模型,尤其是在药物类似性定量估计方面提高了最多 30%。这些新的混合量子机器学习算法以及实现的药代动力学性质分数有助于快速准确的药物发现过程的发展。
Dec, 2023
本文介绍了 MolCLR 框架:通过图神经网络的分子对比学习,基于大规模未标记的分子数据集学习不同 iable 的表征,提供预训练和微调来有效地预测分子性质,实验结果显示该框架在分类和回归任务上显着提高了性能。
Feb, 2021
本文提出了一种 GraphGANFed 框架,该框架将图形卷积神经网络(GCN)、生成对抗网络(GAN)和联邦学习(FL)作为整体系统来生成新的分子,而不共享本地数据集,实现了数据隐私的保护,并且在三个基准数据集上进行了广泛的模拟,证明了 GraphGANFed 的可行性和有效性。
Apr, 2023
本文提出了一种名为 “异构分子图神经网络” 的方法,通过建立多种类型的节点和边来构建分子的异构分子图,并考虑到三个或更多原子之间的相互作用,结合神经信息传递机制进行对比化学性质预测,该方法在 QM9 数据集中的 12 个任务中有 9 个达到最优表现。
Sep, 2020
介绍了通过对抗学习方法来共同学习生成和推理网络的 Adversarially learned inference 模型。其中,生成网络通过将样本从随机潜变量映射到数据空间,而推理网络则将数据空间中的训练样例映射到潜变量空间。同时利用对抗游戏学习判别网络以区分生成网络和推理网络的联合潜变量 / 数据空间样本,从而在半监督环境下获得了与先进技术相当的性能。
Jun, 2016
本研究提出了一种名为 LGGAN 的有标签图生成对抗网络,用于训练基于节点标签的图结构数据的深度生成模型,并在各种类型的图数据集上进行了测试,其结果表明我们的模型可以生成符合训练数据的结构特征的多样化的标记图,并优于所有另一种方法的质量和普适性。此外,经过下游任务进行的生成图的质量评价,结果表明 LGGAN 可以忠实地捕捉图结构的重要方面。
Jun, 2019
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