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
本文提出了 Geom3D,一个平台,用于比较分子的不同几何表示方法之间的效果差异,并提供了 16 种先进的对称性信息的几何表示模型和 14 种几何预训练方法,以帮助有兴趣探索科学问题的机器学习研究人员消除障碍,并提供有价值的指导。
文献的主要内容是深度生成建模技术被应用于分子生成和优化,包括使用递归神经网络、自动编码器、生成对抗网络和强化学习等四种技术,并探讨了这些技术的数学基础和优缺点,内容涉及到分子表示和设计中的多个方面。
Mar, 2019
本文系统地回顾了几何深度学习在基于结构的药物设计中的最近进展,并包括了结合位点预测、结合姿势生成、分子生成、连接器设计和结合亲和力预测等任务的详细综述和相关进展的挑战以及潜在机会。
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
提出了 GDL-DS,一个综合的基准评估,旨在评估 GDL 模型在具有分布偏移的场景中的性能,涵盖多样的科学领域,包括粒子物理学、材料科学和生物化学,并研究了三个层次的信息访问从测试数据中获取,对于 DGL 研究者和领域从业者在应用中使用 DGL 提供了深入分析的评估结果来提供见解。
Oct, 2023
通过 GeoMFormer 这一基于 Transformer 的分子模型,在维持和学习不变和等变表示的同时,通过精心设计的交叉注意力模块实现信息融合和增强几何建模,以提高不同类型和规模的不变和等变任务的性能。
Jun, 2024
利用深度学习的生成模型对分子和材料进行快速的预测,同时引入了一种能够识别非键合作用和立体异构体,并且能够偏向于小 HOMO-LUMO 间隙分子生成的生成式神经网络。
Jun, 2019
本研究提出了一种基于几何潜变扩散模型(GeoLDM)的新方法,通过在潜空间中运行扩散模型来生成分子的三维几何结构。该方法对生成大分子的有效百分比有 7%的提升。
May, 2023
通过统一的几何原理,深度学习可以更好地揭示基本规律,提供数学框架来研究卷积神经网络、循环神经网络、图神经网络和变压器网络等神经网络,且可以将物理学知识结合到神经网络结构中,从而提供了未来神经网络结构的原则性方法。
Apr, 2021