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
通过使用基础单元为基本图案生成解释的基于 Motif 的 GNN 解释器(MAGE),本研究解决了分子图神经网络在解释性方面所面临的挑战。通过定量和定性评估六个真实世界分子数据集,验证了该方法的有效性。
May, 2024
本文提出了一种新方法 MiCaM,通过基于数据驱动的算法迭代合并子图来挖掘出构建于连接感知的基序上的分子片段,然后构建一个构建于挖掘出的连接感知的基序上的连接感知生成器,实现了生成具有目标性质分子的目的。
Feb, 2023
本研究提出了一个新的分层图编解码器,采用更大、更灵活的图案作为基本组成部分,能够有效地处理分子生成任务,包括聚合物,其性能明显优于现有技术。
Feb, 2020
本文提出了一种基于图形的 MoLeR 模型,支持框架作为初始生成过程的种子,能够在没有生成历史的条件下快速训练和采样,而且在定向分子优化任务上表现优异。
Mar, 2021
本研究介绍了一种基于图形的分子数据的自我监督学习的新型方法,称为基于图案的图形自我监督学习(MGSSL)。我们提出了一种依赖于自生成基元的新的预训练框架来捕获分子图中的丰富信息,该框架可以在宽度优先或深度优先的方式下执行,并在不同的下游基准任务上进行了广泛实验,表明我们的方法优于所有最先进的基线。
Oct, 2021
本文提出了一种基于结构模式和图神经网络实现的大质谱预测系统 MoMS-Net,该系统在各种大质谱上的测试结果表明其优于现有模型,同时使用的内存较少。
Jun, 2023
使用可变自编码器学习分子的三维结构,实现对分子结构的建模,生成具有结构和组成合法性的分子结构
Oct, 2020
通过采用 Fragment-Based Drug Design 范例生成小分子结构语言模型并进行分子生成,大幅提高了分子的有效性和独特性,达到了基于图像的模型的最佳表现。
基于几何深度学习和图神经网络的 PAMNet 是一个通用框架,通过引入物理信息偏置来模拟三维分子的局部和非局部相互作用,具有高效且准确的学习分子表示能力,在小分子性质、RNA 3D 结构和蛋白质 - 配体结合亲和性等学习任务中表现优异,适用于广泛的分子科学应用。
Nov, 2023