Jul, 2023

使用图卷积网络学习通用且鲁棒的三维分子表示

PDF
TL;DR我们提出了一种基于图表示的全能且鲁棒的 Directional Node Pair (DNP) 描述符，该描述符能够结合分子的几何信息和化学特征，并构建了能够综合考虑节点和边特征的 Robust Molecular Graph Convolutional Network (RoM-GCN) 模型，在蛋白质和小分子数据集上验证了 DNP 描述符在融合分子的 3D 几何信息方面的优越性，RoM-GCN 模型优于所有对比基准模型。
moleculesgeometric featuresdirectional node pair (dnp)robust molecular graph convolutional network (rom-gcn)3d geometric information
发现论文，激发创造
  • 可变形图卷积网络

    本篇论文提出了一种新型的图卷积神经网络 Deformable GCNs，它可以在多个潜在空间适应性地执行卷积操作，并捕获节点之间的短 / 长距离依赖关系，从而处理异构性，并在六个异质性图数据集中实现节点分类任务的最佳性能。

    Dec, 2021

  • GemNet: 面向分子的通用定向图神经网络

    本研究介绍了一种新型的 Geometric Message Passing Neural Network（GemNet）结构，采用了定向边嵌入和双跳消息传递，展现出图神经网络在预测分子动力学方面的强大效果和广阔前景。

    Jun, 2021

  • 分析学习的分子表征进行性质预测

    在分子属性预测的算法解决方案中，神经机器技术的进步导致了一系列算法解决方案，其中神经网络应用于计算分子指纹或专家制作的描述符以及构造学习分子表示的图卷积神经网络最为有效，这项研究进行了广泛的基准测试，并提出了优于现有模型的图卷积模型的实证发现。

    Apr, 2019

  • 几何图卷积神经网络：Geom-GCN

    本文提出了一种新的基于几何学聚合的 aggregation 方案，包含三个模块：节点嵌入，结构化邻域和双层聚合，并将其实现到图卷积网络中，命名为 Geom-GCN。在多个开放数据集上的实验结果表明，Proposed Geom-GCN 已经达到了当前状态的最佳性能。

    Feb, 2020

  • 药物发现中的图级表示学习

    本文提出了一种新的方法，使用具有所有节点连接的虚拟超级节点来表示整张图并改进图像运算以帮助超级节点学习整体特征，同时采用集中损失来处理药物数据集中的类别不平衡问题。该方法显著提高了小分子属性预测的性能。

    Sep, 2017

  • 基于曲率增强的图卷积网络用于生物分子相互作用预测

    本文提出了一种曲率增强的图卷积神经网络，使用 Ollivier-Ricci 曲率为节点邻域的特征聚合赋权，用于生物分子相互作用预测，结果显示该模型表现优异。

    Jun, 2023

  • ChemRL-GEM: 用于性质预测的几何增强分子表示学习

    本论文提出了一种利用几何增强分子表示学习的方法，称为 GEM，通过使用基于几何的 GNN 架构和几何级别的自监督学习策略，该方法可以用来进行化学表示学习，实验表明该方法可以显著优于各种现有基线方法。

    Jun, 2021

  • 分子图卷积：超越指纹技术

    描述了分子结构的分子 “图卷积”，这是一种针对无向图学习的机器学习架构，可以更好地利用图结构中的信息，为基于配体的虚拟筛选开辟了新局面。

    Mar, 2016

  • 3D Infomax 提高了分子属性预测的 GNN 性能

    该研究提出了一种基于 2D 分子图的分子几何预训练模型，通过自监督学习方法，使其能够生成隐含的 3D 信息，显著提升各种性质的预测表现，并可跨多个不同的分子空间进行有效的迁移学习。

    Oct, 2021

  • 使用三维几何预训练分子图表示

    本研究提出了图多视角自编码（Graph Multi-View Pre-training）框架，使用自监督学习（self-supervised learning）通过 2D 拓扑和 3D 几何视图之间的对应和一致性提高了对分子图表示的学习能力，并通过实验证明其有效性高于现有的图自监督学习方法。

    Oct, 2021