Sep, 2021

化学反应感知分子表示学习

PDF
TL;DR该研究提出使用化学反应来辅助学习分子表示，强制规定化学方程中反应物嵌入和生成物嵌入之和相等，以保持嵌入空间的良好组织，并提高分子嵌入的泛化能力。实验结果表明，该方法在多个下游任务中获得了最先进的性能。
molecule representation learningchemical reactionsgeneralization abilitygnn architecturesdownstream tasks
发现论文，激发创造
  • 从化学反应知识中学习上下文分子表示

    借助自监督学习的 REM0 框架，基于化学反应的上下文，对分子表示学习进行了预训练，提供了富含化学知识的有意义的上下文表示，用于支持各种下游分子任务，同时在活性分析基准中超过了指纹方法。

    Feb, 2024

  • 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

  • MolCAP：分子化学反应预训练及促进微调增强的分子表示学习

    我们提出了一种基于化学反应知识的 MolCAP，它是一个图形预训练变压器模型，用于推动分子表示学习，其结果表明在各种生物医学任务中优于传统预训练框架的比较方法，这表明了应用反应信息进行分子表示学习的前景。

    Jun, 2023

  • 分子构象集的学习：数据集与基准

    分子表示学习具有在药物发现和酶设计等众多生物化学应用中的显著影响。我们提出了第一个全面评估从同构体集合学习的潜力的 MoleculAR Conformer Ensemble Learning (MARCEL) 基准，并建议有前景的研究方向。我们的研究结果表明，直接从可访问的同构体空间学习可以提高各种任务和模型的性能。

    Sep, 2023

  • 多模态信息下的分子联合表示学习

    本文提出了一种新的分子联合表示学习框架，通过 SMILES 和分子图的多模态信息进行多模态融合，改进了自我注意力机制，并进一步提出了双向消息传递图神经网络来增强从图中聚合的信息流以进一步组合。我们通过公共性质预测数据集上的大量实验证明了我们的模型的有效性。

    Nov, 2022

  • 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

  • ReLM：利用语言模型提升化学反应预测

    利用语言模型将化学知识编码进图神经网络，提高了现实世界化学反应预测的准确性。

    Oct, 2023

  • 对比预训练下的多语言分子表示学习

    该研究提出了一种基于对比学习构建多语言分子嵌入的预训练方法 MM-Deacon，通过对 SMILES 和 IUPAC 语言的大规模分子进行预训练，在分子性质预测、零样本跨语言检索和药物相互作用预测任务中取得了鲁棒性良好的结果。

    Sep, 2021

  • 分子表示学习中揭示神经比例定律

    从数据中心的观点出发，本文研究了分子表示学习的神经缩放行为，在数据量、数据质量和模型容量等四个关键维度上，证实了数据量和分子表示性能之间的一致性幂律关系，并通过详细分析，发现了提高学习效率的可能途径。

    Sep, 2023

  • 基于强化学习的可扩展基于碎片的三维分子设计

    本文提出了一种基于强化学习框架的分层代理方法，能够在三维空间中逐步放置分子亚结构，从而高效地学习如何建造具有不同分布的分子，包括药物样分子、有机发光二极管分子和生物分子，只利用能量考虑即可。

    Feb, 2022