Jun, 2023

Otter-Knowledge: 多模态知识图谱表示学习在药物发现中的基准

PDF
TL;DR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。
representation learningdrug and protein structuresknowledge graphsbenchmark datasetspre-trained models
发现论文，激发创造
  • MoleculeCLA: 通过计算化学配体 - 靶标结合分析重新思考分子基准

    构建精确大规模的分子表示数据集，通过深度学习模型为药物发现的人工智能领域提供准确可靠的基准。

    Jun, 2024

  • 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

  • 利用语言模型和领域相关辅助任务进行分子表示学习

    本文采用 Transformer 结构，具体为 BERT，来学习灵活高质量的分子表示，从预训练使用不同组合的自监督任务的影响、到提高所学表示的领域相关性，最终提高了我们模型 MolBert 在基准数据集上的性能，显示其在药物发现方面具有良好的应用前景。

    Nov, 2020

  • ChemBERTa-2：面向化学基础模型的发展

    本文探讨使用 SMILES 语言构建化学基础模型 ChemBERTa-2，并经过预训练过程的优化，发现在分子预测任务上优于现有的最先进架构。

    Sep, 2022

  • 从表示学习中暂停：分子性质预测

    本研究对比了随机森林、MolBERT 和 GROVER 三种基于 Extended-Connectivity Fingerprint、SMILES 字符串和分子图的分子表示学习模型，评估了其在 MoleculeNet 数据集和类阿片类物质数据集预测方面的效果，并探讨了数据集分布、活性悬崖、模型评价、任务设定和化学空间泛化等方面对模型效果的影响，旨在为提高该领域人工智能技术贡献可能的思路。

    Sep, 2022

  • Gode：将生化知识图谱整合到预训练分子图神经网络中

    本文提出了一种新的方法，将单个分子结构的图形表示与生物医学知识图的多领域信息相结合，利用自监督策略进行预训练，成功地应用于化学性质预测任务，取得了超过现有最先进模型的表现。

    Jun, 2023

  • 大规模预训练提高了基于主动学习的分子虚拟筛选的样本效率

    预训练的基于转换器的语言模型和图神经网络在贝叶斯优化主动学习框架中表现良好，仅通过筛选超大型库中的 0.6％，可以识别到排名前 50000 位化合物的 58.97％，与先前的最先进基准相比提高了 8％，在结构基础和配体基础药物发现中具有卓越的性能，可提高基于主动学习的分子虚拟筛选的准确性和样本效率。

    Sep, 2023

  • 学习具有结构和非结构知识的多视角分子表示

    通过多视角分子表示学习，MV-Mol 模型从化学结构、生物医学文本和知识图谱中提取多视图分子专业知识，并在分子性质预测和多模态分子结构与文本理解方面展现出卓越的性能。

    Jun, 2024

  • 跨不同化学领域的迁移学习：利用在小分子和化学反应数据上预训练的深度学习模型进行有机材料的虚拟筛选

    使用机器学习预测有机材料属性是一种高效的虚拟筛选方法，本研究证明药物类小分子和化学反应数据库可用于预训练 BERT 模型以进行有机材料的虚拟筛选，并展示了其在机器学习模型训练中的优越性能，进一步加强了跨不同化学领域的迁移学习在有机材料的虚拟筛选中的可行性。

    Nov, 2023

  • 我们至少应该能够设计出良好对接的分子

    该研究提出了一种基于对接的基准模型，用于评估设计药物分子的生成模型性能的局限性，并提出了一种基于简化评分函数的基准模型，以期望实现自动生成有前途的候选药物的目标。

    Jun, 2020