Mar, 2021

知识感知对比分子图学习

PDF
TL;DR本文介绍了一种融合领域知识的自我监督分子表示学习模型，通过在对比学习框架下显式编码领域知识，将化学领域知识融合到分子图表示中，证明这种方法可以区分具有相似化学公式但不同功能的分子。在 8 个公共数据集上进行的实验表明，该模型具有显著的有效性，相对于强竞争对手平均有 6％的绝对改进。消融实验和进一步的研究也证实了将化学领域知识纳入自我监督学习的最佳方法。
molecular representation learningdrug discoveryself-supervised learningcontrastive learning frameworkchemical domain knowledge
发现论文，激发创造
  • 利用化学元素知识图谱的分子对比学习

    该论文提出了一种基于知识的图对比学习框架，利用化学元素知识图来辅助原子表示学习，取得了在药物设计方面的优异表现。

    Dec, 2021

  • MoCL: 基于知识感知对比学习的分子图数据驱动的分子指纹

    本文研究了图对比学习在生物医药领域中的应用，提出了一种利用本地和全局领域知识来辅助表示学习的框架 MoCL。使用双重对比目标学习整个模型。在不同的分子数据集上进行了评估，结果表明 MoCL 达到了最先进的性能水平。

    Jun, 2021

  • 通过图神经网络进行分子对比学习表示

    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

  • Gode：将生化知识图谱整合到预训练分子图神经网络中

    本文提出了一种新的方法，将单个分子结构的图形表示与生物医学知识图的多领域信息相结合，利用自监督策略进行预训练，成功地应用于化学性质预测任务，取得了超过现有最先进模型的表现。

    Jun, 2023

  • 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

  • 分析学习的分子表征进行性质预测

    在分子属性预测的算法解决方案中，神经机器技术的进步导致了一系列算法解决方案，其中神经网络应用于计算分子指纹或专家制作的描述符以及构造学习分子表示的图卷积神经网络最为有效，这项研究进行了广泛的基准测试，并提出了优于现有模型的图卷积模型的实证发现。

    Apr, 2019

  • 基于模式图的分子属性预测自监督学习

    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

  • ChemRL-GEM: 用于性质预测的几何增强分子表示学习

    本论文提出了一种利用几何增强分子表示学习的方法，称为 GEM，通过使用基于几何的 GNN 架构和几何级别的自监督学习策略，该方法可以用来进行化学表示学习，实验表明该方法可以显著优于各种现有基线方法。

    Jun, 2021

  • 对比双交互图神经网络用于分子性质预测

    DIG-Mol 是一种新颖的自我监督图神经网络框架，可以有效地改善分子特征化，通过对比学习的力量和独特的分子图增强策略，来提取关于分子结构和高阶语义的关键信息，并证实了其在分子性质预测方面的出色性能。

    May, 2024

  • 多视图图神经网络用于分子性质预测

    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