Jan, 2022

半监督 GCN 学习分子结构 - 活性相关性

PDF
TL;DR本文提出使用半监督学习训练图形神经网络来归因结构 - 属性关系，并将此方法应用于溶解度和分子酸度两个案例研究，以验证其与已知实验化学数据的一致性。该方法可为活性崖、引物优化和新药设计等问题提供有价值的工具。
artificial intelligencemedicinal chemistrygraph-to-graph neural networksemi-supervised learningstructure-property relationships
发现论文，激发创造
  • ASGN: 一种活跃的半监督图神经网络用于分子属性预测

    本文提出了一种名为主动半监督图神经网络（ASGN）的新型框架，通过半监督学习来整合带标签和未标记的分子，采用学生 - 教师框架进行分子表示和属性预测，以及使用活动学习策略优化数据选择以提高预测性能，为解决化学空间中半监督表示学习困难而提供了有效的解决方案。

    Jul, 2020

  • 基于模式图的分子属性预测自监督学习

    本研究介绍了一种基于图形的分子数据的自我监督学习的新型方法，称为基于图案的图形自我监督学习（MGSSL）。我们提出了一种依赖于自生成基元的新的预训练框架来捕获分子图中的丰富信息，该框架可以在宽度优先或深度优先的方式下执行，并在不同的下游基准任务上进行了广泛实验，表明我们的方法优于所有最先进的基线。

    Oct, 2021

  • 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

  • 分子性质预测：多层量子相互作用建模透视

    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

  • 应用于分子性质预测的图神经网络上的多任务学习

    提出了一种基于图神经网络模型的最新、高效的多任务预测方法，结果表明，多任务学习可以提高模型性能，特别是数据点较少的数据集可以不需要数据增强，便能获得较好的效果，并且能显著减小模型的方差。

    Oct, 2019

  • 通过图卷积网络生成分子

    本文介绍了一种基于图卷积网络模型和输入归因方法的自动生成新分子方法，解决了药物设计中如何确定哪些分子的哪些方面对其最终活性 / 性能是更有影响力的问题。同时也探讨了过度优化和适用性两个问题的应用实例。

    Jan, 2022

  • 多视图图神经网络用于分子性质预测

    使用多视图神经网络和交叉依赖的消息传递机制，以预测分子性质为目的，构建了一种能够同时利用节点（原子）和边（化学键）信息的表达力强的模型，并在多个基准测试中表现出优异性能。

    May, 2020

  • 逐层图解释揭示分子基团

    通过使用图卷积架构的图神经网络，本研究提出了一种高准确性的多目标筛选方法，并采用分层的可解释人工智能技术，通过信息传递机制在原子、环和整个分子级别捕获相关物质，进而实现了对生物活性预测的重要性质的发现。

    Jan, 2024

  • 分子属性预测的少样本图学习

    本文介绍了一种新颖的用于少样本分子属性预测的模型 Meta-MGNN，该模型利用分子图神经网络学习分子表示，并构建元学习框架进行模型优化，在公共数据库上的实验结果表明，Meta-MGNN 优于其他多种先进的方法。

    Feb, 2021

  • 基于分子力学驱动的多重图图神经网络用于分子结构

    该论文提出了一种基于分子力学的方法，通过将每个分子表示为一个双层多重图，并为每层提出相应的消息传递模块，设计了一种高效且表达能力强的分子结构图神经网络 MXMNet，可用于从分子结构预测物理化学性质，获得了优越的结果。

    Nov, 2020