基于多参数持久同调的分子指纹生成方法揭示了分子几何结构内部的潜在结构和关系，并检测出在多个尺度和多个参数（如原子质量、偏电荷和化学键类型）上具有持续性的拓扑特征，该方法还可以通过加入其他参数（如电离能、电子亲和力、手性和轨道杂化）进一步增强。与传统的图神经网络相比，多参数持久同调具有提供更全面和可解释的分子拓扑表征的优势。我们为多参数持久同调建立了理论的稳定性保证，并在脂溶性、FreeSolv 和 ESOL 数据集上进行了大量实验证明了其在预测分子性质方面的有效性。

Nov, 2023

通过结合关于分子手性的 SE (3) 不变性和 Vietoris-Rips 持久同调，我们提出了一种用于生成分子指纹的新型计算方法。该方法在药物发现和材料科学中具有重要意义，能精确预测分子性质。我们通过应用 Vietoris-Rips 持久同调来探索分子结构中的拓扑和模式，并且我们的方法在预测分子性质方面展示了优于现有方法的卓越性能。

Dec, 2023

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

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

描述了分子结构的分子 “图卷积”，这是一种针对无向图学习的机器学习架构，可以更好地利用图结构中的信息，为基于配体的虚拟筛选开辟了新局面。

Mar, 2016

研究表明，基于分子结构的图神经网络架构是目前预测分子性质最好的机器学习方法之一，并且可以监督大规模重复评估化合物库。使用新的有机光伏应用候选分子数据库进行的实验证明，即使不要求最优的立体结构输入，利用信息传递神经网络可以获得与现有基准数据集上最先进方法相媲美的准确性。

Jul, 2018

介绍了一种基于深度学习的结构虚拟筛选算法，通过对每个化合物分别应用可学习原子卷积和 softmax 操作生成固定大小的蛋白质和小分子指纹。使用这些指纹进行内积计算来预测结合位点的亲和性，并且介绍了一种新的基准数据集 DUD-E 和 PDBBind 数据库。

Oct, 2016

基于配体结合亲和力的快速药物分子筛选是药物发现流程中的重要一步。本研究利用图神经指纹方法构建了一个包含约 300,000 种化合物的 COVID-19 药物分子对接数据集，针对 23 个冠状病毒蛋白靶点开展了高通量虚拟 COVID-19 药物筛选，并提出了一种可迁移图神经指纹方法以适用于未知的靶点，展现了出色的训练和数据效率。研究结果表明，图神经指纹模型在大部分对接靶点上的预测准确性高于常规的环形指纹方法，在平均平方误差低于 0.21 kcal/mol 的范围内，显著改进了对接得分的预测精度。该研究的影响不仅局限于 COVID-19 数据集，而且我们的快速虚拟配体筛选方法可轻松地适应和整合到未来对抗生物威胁的通用机器学习加速流程中。

Jul, 2023

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

该研究提出了一种新颖的方法，结合子结构计数，k-mers 和类似 Daylight 的指纹，以扩展 SMILES 字符串中化学结构的表示。该集成方法生成全面的分子嵌入，增强了辨别能力和信息内容。实验评估表明，与传统的 Morgan 指纹，MACCS 和单独的 Daylight 指纹相比，该方法优势明显，改善了药物分类等化学信息学任务。该方法提供了化学结构的更丰富表示，推进了分子相似性分析，并促进了在分子设计和药物发现中的应用。它为分子结构分析和设计提供了有前景的研究方向，并具有重要的实际实施潜力。

Mar, 2024