Mar, 2023

在黎曼流形上学习分子谐波表示

PDF
TL;DR本研究提出了一种谐波分子表示学习方法，使用分子表面的 Laplace-Beltrami 特征将分子表示为二维黎曼曼 ifold 上的多分辨率表示，同时采用谐波消息传递方法实现更好的分子编码，达到了与当前模型相当的预测能力，优于最先进的深度学习模型的生物蛋白质口袋分类和刚性蛋白质对接挑战，展示了其在分子表示学习中的多功能性。
molecular representation learningharmonic molecular representation learningspectral message passingsmall molecule property predictionrigid protein docking
发现论文，激发创造
  • ChemRL-GEM: 用于性质预测的几何增强分子表示学习

    本论文提出了一种利用几何增强分子表示学习的方法，称为 GEM，通过使用基于几何的 GNN 架构和几何级别的自监督学习策略，该方法可以用来进行化学表示学习，实验表明该方法可以显著优于各种现有基线方法。

    Jun, 2021

  • HamNet: 基于哈密顿神经网络的构象引导分子表示

    该论文提出了一种新的分子表示算法 —— 分子哈密顿网络（HamNet），可以保存分子的 3D 构象，并且表现优异，可以应用在标准的分子机器学习基准测试 MoleculeNet 上。

    May, 2021

  • 化学反应感知分子表示学习

    该研究提出使用化学反应来辅助学习分子表示，强制规定化学方程中反应物嵌入和生成物嵌入之和相等，以保持嵌入空间的良好组织，并提高分子嵌入的泛化能力。实验结果表明，该方法在多个下游任务中获得了最先进的性能。

    Sep, 2021

  • 超几何图传播模型用于分子生成

    提出了一种叫做 HGDM 的模型，将扩散模型拓展到超螺旋流形上，以便更好地生成化学分子，使用超螺旋嵌入的复杂几何信息实现更好的效果。

    Jun, 2023

  • 机器学习中的分子表示理解：独特性和目标相似性的作用

    介绍了基于量子力学的分子表示层次结构，使用多体展开式控制目标相似性，并使用高阶贡献提高预测准确性和速度的 BAML 模型在数千种小有机分子的性质计算中表现出了前所未有的预测准确性和速度。

    Aug, 2016

  • 基于强化学习的可扩展基于碎片的三维分子设计

    本文提出了一种基于强化学习框架的分层代理方法，能够在三维空间中逐步放置分子亚结构，从而高效地学习如何建造具有不同分布的分子，包括药物样分子、有机发光二极管分子和生物分子，只利用能量考虑即可。

    Feb, 2022

  • 多模态信息下的分子联合表示学习

    本文提出了一种新的分子联合表示学习框架，通过 SMILES 和分子图的多模态信息进行多模态融合，改进了自我注意力机制，并进一步提出了双向消息传递图神经网络来增强从图中聚合的信息流以进一步组合。我们通过公共性质预测数据集上的大量实验证明了我们的模型的有效性。

    Nov, 2022

  • 分子构象集的学习：数据集与基准

    分子表示学习具有在药物发现和酶设计等众多生物化学应用中的显著影响。我们提出了第一个全面评估从同构体集合学习的潜力的 MoleculAR Conformer Ensemble Learning (MARCEL) 基准，并建议有前景的研究方向。我们的研究结果表明，直接从可访问的同构体空间学习可以提高各种任务和模型的性能。

    Sep, 2023

  • 分子表示的几何深度学习

    该综述介绍了基于对称信息的神经网络的几何深度学习在分子建模领域的应用，强调了所学到的分子特征和他们与传统分子描述符相互补充的重要性，并给出了该领域未来的发展前景。

    Jul, 2021

  • 极超伪双曲表示学习

    本文提出了一种基于常曲率伪黎曼流形的表示方法，适用于非欧几里德结构数据的机器学习。该方法的优化方法及应用于图表示的实验结果也被给出。

    Jul, 2020