Jun, 2021

DGL-LifeSci：用于生命科学图形深度学习的开放源代码工具包

PDF
TL;DR本研究介绍了一个基于 DGL、RDKit 和 PyTorch 的开源包：DGL-LifeSci，为生命科学领域的深度学习提供了一个基于图的模型，在分子属性预测、反应预测和分子生成等任务中都有广泛应用，并且提供了命令行接口方便用户进行编程、深度学习和建模，同时 DGL-LifeSci 具有优化模块和预训练模型等特点。
发现论文，激发创造
  • 深度图库：面向图的、高性能的图神经网络包

    本文介绍了 Deep Graph Library（DGL）的设计原则和实现方法，DGL 将 GNNs 的计算模式提炼成几个泛化的稀疏张量操作，适合大规模并行化。DGL 以图形为中心编程抽象，能够透明地进行优化。同时 DGL 采用了框架中立的设计，允许用户在多个深度学习框架中轻松移植和利用现有的组件。我们的评估表明，在各种基准测试中，DGL 在速度和内存消耗方面都显著优于其他流行的面向 GNNs 的框架，并且对于小规模工作负载的开销很小。

    Sep, 2019

  • CogDL：面向图深度学习的全面库

    CogDL 是一个综合性的图深度学习库，提出了一种统一的 GNN 模型训练和评估框架，采用了有效的稀疏操作符和易于使用的特性，用于解决图数据的稀疏性和 GNN 训练复杂性等问题，并在基础图任务上取得了最具竞争力的结果。

    Mar, 2021

  • 在药物发现和开发中利用图形机器学习

    本文综述了生物医药行业中越来越受关注的图机器学习对于模拟生物分子结构、它们之间的功能关系以及综合多组学数据的能力，并在药物研发和发现的全过程中，从靶点识别、小分子和生物类药物设计、以及药物重药用等方面进行了归纳总结，并指出，尽管这一领域仍在崛起，但关键的里程碑已经出现，表明图机器学习将成为生物医学机器学习的首选模型框架。

    Dec, 2020

  • 开放式 MatSci ML 工具包：材料科学机器学习的灵活框架

    介绍了 Open MatSci ML 工具包，即可扩展、自包容能力强，并使用 Python 框架基于深度学习模型和方法对科学数据进行处理，特别关注材料科学和 OpenCatalyst 数据集，展示了这一工具包为新机器学习研究人员和 OpenCatalyst 数据集应用高级机器学习工具等科学挑战提供了无缝的解决方案，并为某些材料的行为提供了建模。

    Oct, 2022

  • 亿级图的分布式图神经网络训练

    本文介绍了 DistDGL 系统，作为基于 Deep Graph Library（DGL）进行开发的图神经网络（GNN）的分布式训练系统，具有高效、可扩展性等优点。该系统采用了高质量且轻量级的最小割图划分算法，并支持非本地节点组成的自我网络进行小批量训练。经过优化后，该系统可以在线性速度下训练高质量的模型，并且在 16 台机器上只需 13 秒完成 100 万节点和 30 亿边数的图的训练。

    Oct, 2020

  • 生命科学的知识图谱：最新发展、挑战与机遇

    综述与立场论文中，我们讨论了生命科学中利用基于图的技术的最新进展和应用，并阐述了这些技术对于该领域的未来影响。重点关注知识图谱的构建与管理，知识图谱在新知识发现中的应用，以及知识图谱在支持可解释人工智能方面的应用，并提出了面临的挑战和开放的研究问题。

    Sep, 2023

  • 分子表示的几何深度学习

    该综述介绍了基于对称信息的神经网络的几何深度学习在分子建模领域的应用，强调了所学到的分子特征和他们与传统分子描述符相互补充的重要性，并给出了该领域未来的发展前景。

    Jul, 2021

  • MolNet: 预测分子属性的化学直觉图神经网络

    该研究提出了一种基于 MolNet 的图神经网络（GNN）模型来获取三维分子的物理化学特性及其非化学键信息，同时该模型在 BACE 和 ESOL 数据集的分类和回归任务上皆表现出良好的性能。

    Feb, 2022

  • 分子几何深度学习

    本文提出了一种新颖的、基于分子图像而非化学键的分子表示方法，并称其可以实现相似或更好的分子属性预测结果，表明其拥有超越共价键分子图像的潜力。同时，基于上述发现，本文提出了分子几何深度学习（Mol-GDL）模型，并在 14 个常用基准数据集上进行了测试，结果表明该模型的效果优于现有的最先进方法。

    Jun, 2023

  • 催化剂探索中的轻量级几何深度学习

    新技术对于大规模采用风能和太阳能等可再生能源是必要的。发现适合的催化剂对于使能量储存更具成本效益和可扩展性至关重要。这项研究旨在评估使用更轻量级方法在这一任务中获得的性能和洞察力，以鼓励来自不同背景的个人的参与。通过实施稳健的设计模式，如几何和对称的信息传递，我们能够训练一个 GNN 模型，在仅使用一小部分可训练参数的情况下，达到了 0.0748 的平均绝对误差，与 SchNet 和 DimeNet++ 等已建立的模型架构相媲美。

    Apr, 2024