Jun, 2023

基于结构模式的图神经网络质谱预测

PDF
TL;DR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。
mass spectraspectral library searchesmoms-netstructural motifsgraph neural networks
发现论文，激发创造
  • 基于模式图的分子属性预测自监督学习

    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

  • MAGE: 基于构图模式的模型层面图神经网络解释

    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

  • FraGNNet：一种用于质谱预测的深度概率模型

    发展了一种新的概率方法用于化合物到质谱的预测，名为 FraGNNet，能够高效且准确地预测高分辨率质谱，超越现有 C2MS 模型作为基于检索的 MS2C 工具。

    Apr, 2024

  • 基于分子力学驱动的多重图图神经网络用于分子结构

    该论文提出了一种基于分子力学的方法，通过将每个分子表示为一个双层多重图，并为每层提出相应的消息传递模块，设计了一种高效且表达能力强的分子结构图神经网络 MXMNet，可用于从分子结构预测物理化学性质，获得了优越的结果。

    Nov, 2020

  • 基于模式的图卷积神经网络

    该论文介绍了一种新的卷积神经网络架构，名为 Motif-CNN，能够处理具有不规则连接结构的图形，特别是异构图形，实现了半监督节点分类，并在真实社交网络和多个代表性异构图形数据集上显示出与现有图形卷积神经网络和其他最先进技术相比的显着优势。

    Nov, 2017

  • 用于代谢物注释的集成光谱预测（ESP）模型

    本文介绍了一种基于机器学习和神经网络的代谢物注释模型 ——Ensemble Spectral Prediction (ESP)，该模型通过加权 MLP 和 GNN 光谱预测器的输出来生成查询分子的光谱预测，可提高注释能力的 41% 和 30%，是目前神经网络方法中性能最优秀的模型之一，并在实验中验证了候选分子的相似性和数量对注释性能的影响。

    Mar, 2022

  • 用于分子性质预测的图神经网络架构搜索

    通过神经架构搜索，我们设计了一个自动化的消息传递神经网络（MPNNs）用于预测小分子的分子性质。 将自动化发现的 MPNNs 与手动设计的 GNNs 进行比较，表明后者在分子性质预测上表现更优。

    Aug, 2020

  • MAGNet: 基于形状的无模体生成分子技术

    本文介绍了一种名为 MAGNet 的基于图的机器学习模型，可用于生成具有多样性分子结构的候选药物，该方法通过生成抽象几何形状再分配原子和键类型来实现。

    May, 2023

  • 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

  • 超越局部化图神经网络：一种基于属性模式正则化的框架

    介绍了一种新的半监督学习框架，名为 InfoMotif，可有效提升 GNN 的性能。该框架通过节点在网络中存在的结构角色来实现节点表示的优化，同时通过最大化互信息来实现任意 GNN 的零计划独立性。经过实验测试，InfoMotif 在 6 个真实世界数据集上取得了显著的准度提升，特别是在局部邻域结构上具有稀疏标签和多样属性的节点。

    Sep, 2020