新颖性是否可预测?
本篇论文提出了一种基于局部相互作用模型和主动学习算法的新型机器学习算法,可以在较小的训练集上提供高精度预测,并显著减少异常值误差,从而为材料设计和药物发现等领域提供更有效的高通量筛选方法。
Sep, 2017
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
机器学习在药物发现中预测小分子性质方面具有很大潜力。本文提供了对近年来为此目的引入的各种机器学习方法的综合概述,并对结合亲合力、溶解度和 ADMET(吸收、分布、代谢、排泄和毒性)等多个性质预测和优化技术进行了讨论。我们还评估了模型预测方面的技术,特别是在药物发现中关键决策方面提供模型预测理解的技术。总的来说,这篇综述为药物发现中小分子性质预测的机器学习模型提供了深入了解。尽管有多种多样的方法,但它们的性能通常相当。神经网络虽然更加灵活,但并不总是优于更简单的模型。这表明高质量的训练数据对于训练准确的模型仍然至关重要,并且需要标准化的基准、额外的性能指标和最佳实践,以便更好地比较不同技术和模型之间的差异。
Aug, 2023
近年来,加速材料创新引起了学术界和工业界的广泛关注。为了为新型先进材料的开发增添价值,必须考虑制造过程,并将材料设计方法与下游工艺设计相结合。本研究提出了一种整体优化方法,涵盖了整个材料的过程 - 结构 - 性能链。采用机器学习技术解决了两个关键的识别问题,即材料设计问题和工艺设计问题。我们应用强化学习与多任务学习的优化方法,在金属成型过程中制造具有所需属性的晶体纹理,展示了该方法的功能。
Dec, 2023
利用人工智能等方法进行蛋白质工程和全新设计的研究方案,如生成模型和扩散过程,能够生成展现出所需特性和功能的全新而真实的蛋白质,在优先测试设计方案方面仍然面临一些挑战,因此需要综合生物化学知识提高性能和可解释性。
Oct, 2023
机器学习方法克服了传统设计周期中的复杂物理关系和未知不确定性的限制,通过数据驱动学习,表示学习和生成性机器学习方法可以加快新材料的设计过程,并实现对材料行为的预测和解释。
Dec, 2023
利用变分自编码器生成所需属性的蛋白质序列,不需要人为干预,可添加潜在的铜和钙结合位点并与隐马尔可夫模型进行比较,同时开发了蛋白质结构语法用来产生一种新型蛋白质拓扑结构。该模型能够限制蛋白质序列的搜索空间,易于扩展,有助于各种蛋白质设计任务。
Jun, 2018
本研究基于局部化学环境和贝叶斯统计学习的机器学习模型,提供了一个统一的框架,可以预测原子尺度的稳定性和不同类别的分子的化学精度,可以区分活性和非活性的蛋白质配体,这种方法可以对材料和分子的势能面提供新的洞察。
Jun, 2017
文献的主要内容是深度生成建模技术被应用于分子生成和优化,包括使用递归神经网络、自动编码器、生成对抗网络和强化学习等四种技术,并探讨了这些技术的数学基础和优缺点,内容涉及到分子表示和设计中的多个方面。
Mar, 2019