通过更深的二维和三维图网络进行快速量子属性预测
该论文通过提出一种基于消息传递神经网络的深度学习框架,实现从分子结构图计算分子的 3D 几何结构。实验结果表明,该方法比 RDKit 和其他深度学习方法更准确地预测了分子的 3D 几何结构,并在性质预测任务中表现出良好的性能,同时提供了一个基准数据集,可用于 3D 分子几何结构分析。
May, 2023
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
利用数据驱动技术的材料设计过程中,我们开发了一种融合经典和量子计算的混合模型来预测钙钛矿材料的能量形成。该模型的性能与经典模型和其他机器学习算法相媲美,为探索量子特征编码和参数化量子电路在图神经网络等复杂机器学习算法中的巨大改进提供了一种新途径。
May, 2024
本文提出了一个名为 3D PGT 的新颖框架,它可以在无法获得几何结构的实际应用情况下,以 2D 结构为输入预测分子属性,实验证明与各种预训练基线相比,其具有更高的准确性,效率和泛化能力。
Jun, 2023
该研究提出了一种基于 2D 分子图的分子几何预训练模型,通过自监督学习方法,使其能够生成隐含的 3D 信息,显著提升各种性质的预测表现,并可跨多个不同的分子空间进行有效的迁移学习。
Oct, 2021
本文提出了采用分层去噪方法预测量子化学性质的方法,以优化几何结构为输入,解决高级量子力学计算的不可行性问题,实现了在两个预测任务中取得了较高的准确性。
Mar, 2023
通过使用可学习的分层分子语法,我们提出了一种数据高效的性质预测方法,可以从语法生成规则中生成分子,并利用次级空间的几何信息进行性质预测,从而在有限数据情况下优于其他方法。
Sep, 2023
通过提取三维特征和使用对比学习的方法,我们的研究提出了一种名为 3D-Mol 的新型三维结构分子建模方法,用于准确表示空间结构,并在 7 个基准测试中展示了出色的性能。
Sep, 2023
我们提出了一种预训练方法,使用现有的分子构形数据集生成适用于多个构形的潜在向量,从而解决了获取多个构形的计算成本高的问题,并展示了我们的模型在分子性质预测方面优于使用分子图和三维分子结构的现有预训练方法。
Dec, 2023
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