Jan, 2022

Rxn Hypergraph: 化学反应表示的超图注意力模型

PDF
TL;DR采用基于图的分子结构表示的超图注意力神经网络方法解决化学反应表示与性质预测问题，既能增强在通用性、鲁棒性、解释性等方面的考虑，又能达到比其他方法更好的性能与可解释性。
chemical reactionsdeep learninggraph-based representationshypergraph attention neural networkproperty prediction
发现论文，激发创造
  • 基于人工智能的有机化学高超图网络：网络统计和反应分类应用

    本文提出了一种基于超图的化学反应网络表示方法，旨在研究反应的统计特性和利用超图嵌入解决反应分类问题。结果表明，超图表示方法具有灵活性、能够保留反应上下文，且能够揭示出传统有向图表示方法无法呈现的隐含特征。

    Aug, 2022

  • 化学反应感知分子表示学习

    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。

    Sep, 2021

  • 使用图形超网络进行分子属性预测和分类

    本文中，研究者探究了基于超网络的替代方法，发现在各种基准测试中具有最先进的成果，尤其在学习基于分子的属性预测和分类方面表现突出，并且解决了超网络的稳定性问题。

    Feb, 2020

  • 利用注意力机制神经网络绘制化学反应空间地图

    通过使用基于变换器的模型，可以从不带注释的简单文本化学反应表示中推断出反应类别，并可用作反应指纹，其分类准确率达到了 98.2%，而且较之传统反应指纹更好地捕捉反应类别之间的差异。

    Dec, 2020

  • 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

  • 分子编辑图注意力网络：将化学反应建模为图编辑序列

    MEGAN 是一种基于神经网络的模型，能够预测化学反应的多样化结果并在遇到额外约束时提出可行的替代反应。该模型能够表述反应为一系列的图编辑，实现端到端的反应预测，从而在大型数据集上达到了最新成果。

    Jun, 2020

  • 利用多种分子图表示增强化合物性质和活性预测中的模型学习和解释

    本研究提出了多种分子图表示法，探究了它们对模型学习和解释的影响，结果显示将原子图表示和减少的分子图表示相结合可以产生具有前途的模型性能。 此外，解释结果可以提供与背景知识一致的重要功能和潜在子结构。这些多个分子图表示和解释分析可以提高模型理解，并促进药物发现相关应用。

    Apr, 2023

  • 分子超图神经网络

    通过引入分子超图和分子超图神经网络（MHNN），本研究针对化学有关任务中传统图模型无法足够表示高阶连接（如多中心键和共轭结构）的问题，提出了一种可以预测有机半导体的光电性质的 MHNN 算法，其中超边表示共轭结构。结果表明，MHNN 在 OPV、OCELOTv1 和 PCQM4Mv2 数据集的大多数任务中优于所有基准模型。值得注意的是，MHNN 在没有任何三维几何信息的情况下，超过了利用原子位置的基准模型。此外，在训练数据有限的情况下，MHNN 表现出更好的性能比预训练 GNNs，彰显其出色的数据效率。本研究为更一般的分子表示和高阶连接相关的属性预测任务提供了新的策略。

    Dec, 2023

  • 基于图神经网络的底物特异性有机反应条件预测

    本篇研究使用图神经网络对有机化学反应进行建模，通过对四种普遍反应进行分类任务的评估，发现具有预测能力且能够识别影响反应条件的特定图形特征，为推进分子机器学习研究提供了巨大的前景。

    Jul, 2020

  • 道路网络表示学习：基于双图的方法

    本文提出了一个基于超图的图神经网络模型 HyperRoad 用于道路网络表示学习。此模型通过构建超图捕捉道路网络中的高阶联系，并利用图重建、超图重建和超边分类任务去学习结构信息和长距离联系。

    Apr, 2023