Mar, 2022

用于代谢物注释的集成光谱预测（ESP）模型

PDF
TL;DR本文介绍了一种基于机器学习和神经网络的代谢物注释模型 ——Ensemble Spectral Prediction (ESP)，该模型通过加权 MLP 和 GNN 光谱预测器的输出来生成查询分子的光谱预测，可提高注释能力的 41% 和 30%，是目前神经网络方法中性能最优秀的模型之一，并在实验中验证了候选分子的相似性和数量对注释性能的影响。
发现论文，激发创造
  • 基于结构模式的图神经网络质谱预测

    本文提出了一种基于结构模式和图神经网络实现的大质谱预测系统 MoMS-Net，该系统在各种大质谱上的测试结果表明其优于现有模型，同时使用的内存较少。

    Jun, 2023

  • 基于卷积神经网络的光谱数据数据增强与深度化学计量学研究

    使用深度学习方法，利用近红外光谱数据，通过卷积神经网络从光谱数据中提取特征，数据预处理使用了标准的扩展乘性散射校正和新的光谱数据增强方法进行基准测试，结果表明数据扩增并结合扩展乘性散射校正的组合效果最佳。卷积神经网络模型在使用第二台仪器和未被训练数据覆盖的分析物浓度创建的外推挑战中表现优异，同时定性研究表明 CNNs 核激活与著名的数据处理方法（如平滑、斜率 / 导数、阈值和光谱区域选择）相似。

    Oct, 2017

  • 基于拓扑结构的多任务深度神经网络预测毒性

    本研究基于持久同调和机器学习算法，提出了一种新的拓扑学方法 —— 元素特异性持久同调（ESPH），可用于小分子的毒性定量预测，并可优于现有方法。同时提出了一种基于拓扑学的多任务策略，并开发了计算带有元素特异性拓扑描述符（ESTDs）的在线服务器。

    Dec, 2017

  • 溶剂感知的 2D NMR 预测：利用多任务训练和迭代自训练策略

    利用迭代自训练的深度学习模型，我们提出了一种预测原子二维核磁共振（NMR）位移并标记实验光谱峰值的方法，该方法能准确处理中等和大分子，包括多糖。

    Mar, 2024

  • FraGNNet：一种用于质谱预测的深度概率模型

    发展了一种新的概率方法用于化合物到质谱的预测，名为 FraGNNet，能够高效且准确地预测高分辨率质谱，超越现有 C2MS 模型作为基于检索的 MS2C 工具。

    Apr, 2024

  • 利用集成模型分析光谱数据的益处

    比较不同实现的集成模型在改进光谱数据预测方面的效果的经验性研究表明，集成分类器能够在我们的应用中始终超越候选模型。

    Apr, 2024

  • 在没有标签数据的情况下对多个预测器进行排名和组合

    本文介绍了一种基于谱方法的元学习器，可以在只有多个分类器的推荐或预测的情况下，可靠地排名它们，并构建一个比大多数组合中的分类器更准确的元分类器。该方法假设分类器之间具有条件独立性，并通过计算其协方差矩阵和特征向量进行排名，并进一步引入谱元学习器作为组合加权分类器。该方法在模拟和真实数据上达到了比大多数分类器更高的准确性。

    Mar, 2013

  • 分子动力学的机器学习用于红外光谱模拟

    本文提出了一种基于机器学习的策略来预测分子红外光谱的方法，建立在从头分子动力学模拟的基础上，利用各种机器学习技术加速模拟并扩展可处理的系统大小，其中包括环境依赖性神经网络电荷的分子偶极矩模型和 Behler 和 Parrinello 的神经网络势能。通过引入完全自动化的采样方案和神经网络势能训练期间的分子力，我们能够仅基于少量的电子结构参考点来获得非常精确的机器学习模型，同时在甲醇分子，含有多达 200 个原子的正构烷和质子化的丙氨酸三肽的情况下，将其应用于模拟红外光谱，并发现与理论和实验光谱具有出色的一致性。

    May, 2017

  • 基于 GC-EI-MS 光谱的小分子的去新识别

    本文介绍了一种用于 GC-EI-MS 数据的基于机器学习的新型的 de-novo 方法，主要解决由于缺乏附加信息而导致的质谱数据的结构鉴定问题。

    Apr, 2023

  • 超越 ESM2: 借助高效聚类的图增强蛋白质序列建模

    本研究使用 ESM2 最先进的蛋白质语言模型，并结合蛋白质家族分类和基于社区传播的聚类算法，改善了全局蛋白质表示和局部氨基酸准确性，从而大幅提升蛋白质表达质量，并在多个下游实验中取得了最先进的结果。

    Apr, 2024