May, 2023

原子和子图感知的双向聚合用于分子表示学习

PDF
TL;DR本文通过引入 Atomic and Subgraph-aware Bilateral Aggregation 模型，综合考虑原子和子图两种信息，提高分子性质预测的表示学习，该方法在药物和材料发现等领域具有广泛的应用。
molecular representation learninggraph neural networkssubgraph featuresself-supervised learningproperty prediction
发现论文，激发创造
  • 分子关系学习的条件图信息瓶颈

    本文提出了一种基于图神经网络，利用条件图信息瓶颈检测关键次级结构的分子关系学习方法，从而能更好地模拟化学反应，实验证明它在不同任务和数据集上比同类算法更具优势。

    Apr, 2023

  • 利用多种分子图表示增强化合物性质和活性预测中的模型学习和解释

    本研究提出了多种分子图表示法，探究了它们对模型学习和解释的影响，结果显示将原子图表示和减少的分子图表示相结合可以产生具有前途的模型性能。 此外，解释结果可以提供与背景知识一致的重要功能和潜在子结构。这些多个分子图表示和解释分析可以提高模型理解，并促进药物发现相关应用。

    Apr, 2023

  • ASGN: 一种活跃的半监督图神经网络用于分子属性预测

    本文提出了一种名为主动半监督图神经网络（ASGN）的新型框架，通过半监督学习来整合带标签和未标记的分子，采用学生 - 教师框架进行分子表示和属性预测，以及使用活动学习策略优化数据选择以提高预测性能，为解决化学空间中半监督表示学习困难而提供了有效的解决方案。

    Jul, 2020

  • 半监督 GCN 学习分子结构 - 活性相关性

    本文提出使用半监督学习训练图形神经网络来归因结构 - 属性关系，并将此方法应用于溶解度和分子酸度两个案例研究，以验证其与已知实验化学数据的一致性。该方法可为活性崖、引物优化和新药设计等问题提供有价值的工具。

    Jan, 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

  • 多视图图神经网络用于分子性质预测

    使用多视图神经网络和交叉依赖的消息传递机制，以预测分子性质为目的，构建了一种能够同时利用节点（原子）和边（化学键）信息的表达力强的模型，并在多个基准测试中表现出优异性能。

    May, 2020

  • 通过多视角增强提高子图表征学习

    本研究提出一种新颖的多视角扩充机制，以改进基于子图表征学习模型的训练效果和下游预测任务的准确性，在多个真实世界的生物和生理数据集上的基准实验表明，该扩充技术相较于现有的图神经网络表征学习研究具有更好的训练效率、可扩展性和准确度。

    May, 2022

  • 通过图神经网络进行分子对比学习表示

    本文介绍了 MolCLR 框架：通过图神经网络的分子对比学习，基于大规模未标记的分子数据集学习不同 iable 的表征，提供预训练和微调来有效地预测分子性质，实验结果显示该框架在分类和回归任务上显着提高了性能。

    Feb, 2021

  • 用于预测分子性质的异构分子图神经网络

    本文提出了一种名为 “异构分子图神经网络” 的方法，通过建立多种类型的节点和边来构建分子的异构分子图，并考虑到三个或更多原子之间的相互作用，结合神经信息传递机制进行对比化学性质预测，该方法在 QM9 数据集中的 12 个任务中有 9 个达到最优表现。

    Sep, 2020

  • 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