May, 2022

MolScribe：基于图像生成的鲁棒分子结构识别

PDF
TL;DR本文介绍了一个新颖的图像转化成图形结构的模型 MolScribe，该模型灵活地融合了象征性化学限制条件，扩展了简略结构，通过数据扩充策略，提高了模型鲁棒性。在合成和逼真的分子图像上的实验中，MolScribe 显著优于之前的模型，在公共基准测试中实现了 76-93％的准确性。化学家还可以通过模型的置信度估计和原子级对齐来轻松验证 MolScribe 的预测。
发现论文，激发创造
  • MolGrapher 化学结构的基于图的可视化识别

    该研究提出了 MolGrapher 方法，通过视觉识别化学结构，构建分子的自然图形表示，并利用图神经网络分类分子中的原子和键节点。实验证明该方法在大多数情况下明显优于传统和基于学习的方法，可用于加快新材料和药物的发现。

    Aug, 2023

  • 有限监督的原子级光学化学结构识别

    通过图形表示或图像识别分子的化学结构是一项具有挑战性的模式识别任务，在药物开发方面具有很大的好处。我们提出了一种新的化学结构识别工具，该工具提供了最先进的性能，并可以适应少量数据样本和监督下的新领域。与以前的方法不同，我们的方法提供了原子级定位，因此可以将图像分割成不同的原子和键。我们的模型是第一个只使用 SMILES 监督进行原子级实体检测的 OCSR 模型。通过严格和广泛的基准测试，我们证明了我们的化学结构识别方法在数据效率、准确性和原子级实体预测方面的卓越性。

    Apr, 2024

  • ChemGrapher：基于深度学习的化学化合物光学图形识别

    本研究利用机器学习中的深度神经网络模型对化学图像进行自动识别和转化，以解决传统工具在检测链的多样性及立体化学信息时产生的错误和丢失原子等问题，并能迅速处理大量图像，从而在药物发现等方面具有重要应用价值。

    Feb, 2020

  • 基于图像和图结构的多模态学习用于预测分子性质的框架

    MolIG 是一种多模态分子预训练框架，通过图像和图结构创新地利用分子图和分子图像之间的一致性和相关性执行自监督任务，有效地将两种分子表示形式的优势融合在一起，这种整体方法能够捕捉关键的分子结构特征和高层次的语义信息，并在分子拓展组和 ADMET 拓展组等基准组中，相对于先进的基线模型展现出在分子性质预测等拓展任务中性能的提升。

    Nov, 2023

  • MolNexTR: 分子图像识别的广义深度学习模型

    MolNexTR 是一种新型的图像到图形模型，结合了独特的双流编码器来提取复杂的分子图像特征，并结合化学规则预测原子和键的同时理解原子和键的布局规则。此外，它采用一系列新颖的增强算法显著提高了模型的鲁棒性和性能。

    Mar, 2024

  • ChemScraper: PDF 图像的图像提取，分子图解析和带注释数据生成

    从 born-digital PDF 分子图像中提取符号并应用简单图形转换，以编辑 ChemDraw 文件（CDXML），其直接位置和形状信息使得该方法具有高准确性的解析能力，以生成训练数据用于识别栅格图像中的化学结构的视觉解析器。

    Nov, 2023

  • 学习使用结构基元扩展分子支架

    本文提出了一种基于图形的 MoLeR 模型，支持框架作为初始生成过程的种子，能够在没有生成历史的条件下快速训练和采样，而且在定向分子优化任务上表现优异。

    Mar, 2021

  • 分层图到图分子翻译

    本文重点研究了药物发现方面的自动优化工具，并且提出了一种基于图像及其翻译方法的分子优化技术，利用其原子级编码和自回归图形解码器解决分子结构中的多个技术挑战。同时，我们的模型在多项任务中显著优于现有的基准模型。

    Jun, 2019

  • 3D-Mol: 分子属性预测的新型对比学习框架与三维信息

    通过提取三维特征和使用对比学习的方法，我们的研究提出了一种名为 3D-Mol 的新型三维结构分子建模方法，用于准确表示空间结构，并在 7 个基准测试中展示了出色的性能。

    Sep, 2023

  • RxnScribe: 化学反应图解析的序列生成模型

    本文介绍了 RxnScribe，一种用于解析不同风格反应图的机器学习模型，使用序列生成方法，将传统操作流程压缩为端到端模型，通过交叉验证，在 1,378 个图表数据集上获得了 80.0% 的软匹配 F1 分数，并且表现显著优于以前的模型。

    May, 2023