准确预测分子性质是药物发现中的一个具有挑战性但必不可少的任务。最近,多模态深度学习方法成功应用于分子性质预测,以克服传统单模态学习方法的局限性并提升模型在准确性、可靠性和抗噪性方面的表现。
Dec, 2023
本文提出了一种半监督变分自编码器模型,能够同时进行属性预测和分子生成,从而高效生成具有所需属性的新分子。我们从估计好的生成分布中进行采样以生成新的分子,并在药物样分子上证明了该模型的有效性、改进了属性预测的性能,并高效生成满足各种目标条件的新型分子。
Apr, 2018
将自然语言和图形表示相结合,通过对齐神经图形表示和特性文本描述的表示,提高了下游分子属性分类任务的性能,实现了与仅以图形方式进行预训练的模型相比的 + 4.26% AUROC 的增益,并相对于最近提出的分子图 / 文本对比训练的 MoMu 模型 (Su et al. 2022) 的 + 1.54% 增益。
Jul, 2023
本文提出了一种多视图方法,将来自最先进化学模型的潜在空间进行结合,其中使用了基于 MHG-GNN 的嵌入(将分子结构表示为图形)和根植于化学语言的 MoLFormer 嵌入。我们通过在六个基准数据集上评估该方法,证明了我们所提出的多视图方法在预测临床试验药物毒性和抑制 HIV 复制等复杂任务上,优于现有的最先进方法,包括在 11 亿个分子上进行训练的 MoLFormer-XL。研究结果突显了潜在空间融合和特征整合在推进分子属性预测方面的潜力。
Oct, 2023
通过对分子的图形和语义相关文本数据进行对比学习,我们提出了一个分子多模态基础模型,该模型结合了图形和自然语言的特定和互补信息,更好地抓住了分子的专业知识以及具备了从自然语言描述中生成有意义的分子图形的能力。
Sep, 2022
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
使用自监督学习和分子结构内的层次知识,该论文提出了一种新的学习框架,从而可以准确预测分子属性并在各种基准测试中取得竞争性表现。
Nov, 2023
综合审视和数量分析基于各种基准的最新深度学习方法,我们发现融合分子信息不仅能提高分子属性预测回归和分类任务的准确性,还能通过同时利用 1 维和 2 维信息的 3 维信息大幅增强分子属性预测进展,在药物研发中具有重要指导意义。
Feb, 2024
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
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。