Apr, 2023

基于环境丰富的分子表征提高少样本药物发现

PDF
TL;DR该研究提出了一种新的少样本药物发现方法，通过 Modern Hopfield Network 的参照分子对支持集和查询集中的分子进行表示丰富，从而成为药物发现中新的最优方法。
发现论文，激发创造
  • 上下文学习用于少样本分子属性预测

    本文将上下文学习的概念应用于无监督学习，以开发一种新的算法用于预测分子性质，并在小样本支持时超过了最近的元学习算法，在大样本支持时与最佳方法具有竞争力。

    Oct, 2023

  • 基于一次学习的低数据药物研发

    本研究介绍了如何利用一次性学习来大幅降低药物研发预测所需的数据量，通过引入深度学习框架 DeepChem 的新架构残留 LSTM 嵌入和图卷积神经网络的组合，该方法在小分子化合物距离度量上取得了显著的进展。

    Nov, 2016

  • 细胞中的分子表示学习

    通过信息对齐方法，我们提出了一种学习细胞分子表示的信息瓶颈方法，整合分子和细胞反应数据构建上下文图，优化编码器的潜在表示以丢弃冗余结构信息，并通过对齐分子在上下文图中的不同特征空间来验证所提出的方法在药物疗效和分子性质预测方面的有效性。

    Jun, 2024

  • 从分子到支架到功能团：通过多通道学习构建具有上下文依赖性的分子表示

    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

  • 无目标复合物活性预测：基于少样本学习

    设计了一种新颖的神经网络结构，以元学习大规模生物活性数据集上的连续化合物活性，并通过聚合已知化合物及其活性产生的编码来捕捉测定结果的信息。与传统的基于相似性的技术以及其他领先的少样本学习方法相比，FS-CAP 在各种无靶标药物发现设置和数据集上表现优异。

    Nov, 2023

  • 基序能够作为归纳偏差用于学习分子分布

    通过研究亚图结构和词汇设计对分布学习的影响，揭示了 Subcover 对于提高现有方法的性能和可扩展性的潜力，从而在分子机器学习方面为化学家提供了优秀的工具。

    Apr, 2023

  • DrugLLM：用於少樣品分子生成的開放式大型語言模型

    DrugLLM 是一个专门用于药物设计的大型语言模型，在训练过程中使用基于群组的分子表示（GMR）来表示分子，通过预测基于过去修饰的下一个分子来学习如何修改分子，在有限的示例基础上生成具有期望特性的新分子，并具有强大的少样本分子生成能力。

    May, 2024

  • Otter-Knowledge: 多模态知识图谱表示学习在药物发现中的基准

    本研究将来自不同来源和模态的知识图谱结合到序列或 SMILES 表示中，进一步丰富表示，取得了基准数据集上最新的成果。我们提供基于此数据的预训练模型，并公开了在 TDC 基准测试中性能表现的结果。同时，我们还公开了基准数据集上模型训练的源码，以鼓励知识增强表征学习的研究。

    Jun, 2023

  • 利用循环神经网络生成药物发现的专注分子库

    本文研究了基于计算机算法的 de novo 药物设计，利用循环神经网络训练生成分子结构，生成分子的性质与原用来训练模型分子的性质很相似。同时，提出使用小型分子集与模型来微调生成分子的活性，可以生成大量的新分子用在药物研发中。

    Jan, 2017

  • 流浪于世界之中：在线背景下的少样本学习

    该论文通过在一个在线，不断变化的环境中扩展少样本学习的框架，介绍了一种上下文依赖的新颖学习数据集和一种新的上下文典型记忆模型，旨在缩小人类和机器学习环境之间的差距。

    Jul, 2020