ASGN: 一种活跃的半监督图神经网络用于分子属性预测
本文提出使用半监督学习训练图形神经网络来归因结构 - 属性关系,并将此方法应用于溶解度和分子酸度两个案例研究,以验证其与已知实验化学数据的一致性。该方法可为活性崖、引物优化和新药设计等问题提供有价值的工具。
Jan, 2022
本文介绍了一种新颖的用于少样本分子属性预测的模型 Meta-MGNN,该模型利用分子图神经网络学习分子表示,并构建元学习框架进行模型优化,在公共数据库上的实验结果表明,Meta-MGNN 优于其他多种先进的方法。
Feb, 2021
本研究介绍了一种基于图形的分子数据的自我监督学习的新型方法,称为基于图案的图形自我监督学习(MGSSL)。我们提出了一种依赖于自生成基元的新的预训练框架来捕获分子图中的丰富信息,该框架可以在宽度优先或深度优先的方式下执行,并在不同的下游基准任务上进行了广泛实验,表明我们的方法优于所有最先进的基线。
Oct, 2021
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
使用多视图神经网络和交叉依赖的消息传递机制,以预测分子性质为目的,构建了一种能够同时利用节点(原子)和边(化学键)信息的表达力强的模型,并在多个基准测试中表现出优异性能。
May, 2020
本文通过引入 Atomic and Subgraph-aware Bilateral Aggregation 模型,综合考虑原子和子图两种信息,提高分子性质预测的表示学习,该方法在药物和材料发现等领域具有广泛的应用。
May, 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
我们开发了一套深度学习方法和综合工具,针对分子属性预测和药物发现,跨越不同的计算模型、分子表示和损失函数。我们将分子表示为图和序列,并围绕这些表示所构建的深度模型进行学习。为了有效地从高度不平衡的数据集中学习,开发了优化精度 - 召回曲线下面积的先进损失函数。在在线和离线抗生素发现和分子属性预测任务中的结果表明,我们的方法相对于之前的方法实现了持续的改进,并在与 COVID-19 相关的 AI Cures Open Challenge 中以 ROC-AUC 和 PRC-AUC 方面均排名第一。
Dec, 2020
本研究提出了可推广和可转移的分层图卷积神经网络(MGCN)以预测分子性质。研究中将每个分子表示为图以保留其内部结构,并且通过多级交互从构象和空间信息直接提取特征,从而可以利用多级总体表示来进行预测。实验结果显示 MGCN 具有显著的泛化能力和可转移性。
Jun, 2019
本文提出了一种名为 “知识引导图转换器的预训练 (KPGT)” 的自监督学习框架,利用高容量的线性图转换器(LiGhT)和知识引导的预训练策略,以解决分子属性预测中存在的两个主要问题,并在大规模无标签分子图上显示出卓越的性能。
Jun, 2022