分子结构和性质的详细分析具有通过机器学习进行药物开发发现的巨大潜力。我们介绍了用于基于 SMILES 数据检测和聚类化学化合物的各种方法。通过分析化学化合物的图形结构，我们的方法使用向量搜索来满足阈值值，并得到显著而集中的聚簇，该方法在查询和理解化合物方面产生了有利结果。此外，我们还使用存储在向量数据库中的 GPT3.5 的自然语言描述嵌入，优于基本模型。因此，我们引入了一种相似性搜索和聚类算法，以帮助搜索和与分子进行交互，增强化学探索的效率并实现未来在分子属性预测模型中的新发性能的发展。

Oct, 2023

结合现代科学计算和电子结构理论，基于深度多任务人工神经网络的机器学习模型能够对上千个有机分子的多个电子基态和激发态性质进行预测，从而实现对合成可及的虚拟化合物库的高通量筛选，成本极低且准确度与现代量子化学方法相当甚至更优。

May, 2013

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

我们提出了一种基于集成学习的方法，用于预测晶体材料的形成能量和弹性常数，通过分子动力学计算的物性作为输入，集成学习结果比传统的原子势能方法更准确。

Jul, 2023

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

本研究介绍了如何利用一次性学习来大幅降低药物研发预测所需的数据量，通过引入深度学习框架 DeepChem 的新架构残留 LSTM 嵌入和图卷积神经网络的组合，该方法在小分子化合物距离度量上取得了显著的进展。

Nov, 2016

通过融合物理属性和化学数据，我们提出了一个多模态深度学习框架，用于预测一种 10 维丙烯酸聚合物复合材料的物理特性。该框架可以处理 18 维的复杂性，成功预测了 114,210 种成分条件下的 913,680 个物性数据点。我们提出了一个分析高维信息空间以进行反向材料设计的框架，并展示了足够的数据可实现的材料类型和规模的灵活性和适应性。这项研究推动了未来对不同材料和更复杂模型的研究，并将我们更接近预测所有材料的所有属性的终极目标。

Mar, 2023

该研究论文介绍了一种新的机器学习框架，用于从现有的材料数据中提取预测模型，方法是使用具有化学多样性的属性列表，并将数据集分成相似材料组，提高预测准确度，可用于预测晶态和非晶材料的多种属性。

Jun, 2016

使用自监督学习和分子结构内的层次知识，该论文提出了一种新的学习框架，从而可以准确预测分子属性并在各种基准测试中取得竞争性表现。

Nov, 2023

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