IJCAIJun, 2023

基于图采样的分子属性预测元学习

PDF
TL;DR为了有效利用分子和性质之间的多对多关系，我们提出了一种基于图采样的元学习（GS-Meta）框架来解决少样本分子属性预测问题。在五个常用基准测试中，GS-Meta 方法在 ROC-AUC 上始终优于现有技术 5.71％-6.93％，并验证了每个提议模块的有效性。
molecular propertyfew-shot problemgraph samplingmeta-learningproperty prediction
发现论文，激发创造
  • 分子属性预测的少样本图学习

    本文介绍了一种新颖的用于少样本分子属性预测的模型 Meta-MGNN，该模型利用分子图神经网络学习分子表示，并构建元学习框架进行模型优化，在公共数据库上的实验结果表明，Meta-MGNN 优于其他多种先进的方法。

    Feb, 2021

  • 知识增强的关系图和任务抽样用于少样本分子属性预测

    该论文提出了一种新颖的元学习 FSMPP 框架（KRGTS），其中包括对分子和属性之间的多对多关系进行建模的知识增强关系图模块，以及用于进行元知识学习和减少噪声引入的任务采样模块。经过大量实验证明，KRGTS 相比其他最先进的方法具有更强的优势。

    May, 2024

  • 分子属性预测的图多相似性学习

    我们提出了图形多相似学习（GraphMSL）框架，它在连续尺度上捕捉了分子的自相似性和相对相似性，从而显著提高了分子性质预测中的表示学习的效果。此框架通过不同化学模态推导出单峰多相似性度量，融合这些度量到多模态形式中，灵活的融合函数可以重塑模型的重点以传达不同的化学语义，并通过各种下游任务和事后分析显示出了显著的性能，在药物发现评估中具有重要潜力。

    Jan, 2024

  • 基于图结构学习的分子属性预测

    在这篇论文中，我们提出了一种基于图结构学习的分子性质预测方法，称为 GSL-MPP。我们使用图神经网络（GNN）提取分子表示，构建分子相似性图并进行图结构学习，最终获得能够结合分子间关系的分子嵌入。实验结果表明，我们的方法在大多数情况下都达到了最先进的性能水平，尤其在分类任务上表现出色。

    Dec, 2023

  • 应用于分子性质预测的图神经网络上的多任务学习

    提出了一种基于图神经网络模型的最新、高效的多任务预测方法，结果表明，多任务学习可以提高模型性能，特别是数据点较少的数据集可以不需要数据增强，便能获得较好的效果，并且能显著减小模型的方差。

    Oct, 2019

  • 面向少样本分子属性预测的属性感知关系网络

    本文提出了一种名为 PAR 的算法，通过引入一个变量来转化传统的分子嵌入到目标属性敏感的子结构嵌入空间，然后设计一个适应性的关系图学习模块，可同时估计分子关系图和精细分子嵌入，最后采用元学习策略，其表现优于现有的方法。

    Jul, 2021

  • 基于超网络的分层适应性用于少样本分子性质预测

    通过引入一种新的分层适应机制（HiMPP），可以在生物医学应用中有效地解决少样本学习问题，提高分子属性预测的效果。

    Oct, 2023

  • MolecularGPT: 开放式大型语言模型（LLM）用于少样本分子性质预测

    利用 MolecularGPT，基于大规模语言模型对分子指令进行微调，并通过零样本和少样本的上下文学习，在少样本分子预测任务中取得新的竞争性结果，显示出语境推理能力优势，超过传统的图神经网络方法和现有语言模型基线，为语言模型在少样本分子特性预测中的应用发展提供了潜力。

    Jun, 2024

  • 分层语法引导几何用于高效的分子属性预测

    通过使用可学习的分层分子语法，我们提出了一种数据高效的性质预测方法，可以从语法生成规则中生成分子，并利用次级空间的几何信息进行性质预测，从而在有限数据情况下优于其他方法。

    Sep, 2023

  • 分子属性预测和药物发现的高级图形和序列神经网络

    我们开发了一套深度学习方法和综合工具，针对分子属性预测和药物发现，跨越不同的计算模型、分子表示和损失函数。我们将分子表示为图和序列，并围绕这些表示所构建的深度模型进行学习。为了有效地从高度不平衡的数据集中学习，开发了优化精度 - 召回曲线下面积的先进损失函数。在在线和离线抗生素发现和分子属性预测任务中的结果表明，我们的方法相对于之前的方法实现了持续的改进，并在与 COVID-19 相关的 AI Cures Open Challenge 中以 ROC-AUC 和 PRC-AUC 方面均排名第一。

    Dec, 2020