3D-Mol: 分子属性预测的新型对比学习框架与三维信息
本文提出了一个名为 3D PGT 的新颖框架,它可以在无法获得几何结构的实际应用情况下,以 2D 结构为输入预测分子属性,实验证明与各种预训练基线相比,其具有更高的准确性,效率和泛化能力。
Jun, 2023
DIG-Mol 是一种新颖的自我监督图神经网络框架,可以有效地改善分子特征化,通过对比学习的力量和独特的分子图增强策略,来提取关于分子结构和高阶语义的关键信息,并证实了其在分子性质预测方面的出色性能。
May, 2024
利用多个构象的 3D 信息可以改善深度学习模型在分子性质预测中的表现,我们介绍了多重深度学习模型,并将其在二维、三维和四维表示中的表现进行了测试,深度学习模型可以学习每个构象的可解释性关注权重。
Dec, 2020
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
MolIG 是一种多模态分子预训练框架,通过图像和图结构创新地利用分子图和分子图像之间的一致性和相关性执行自监督任务,有效地将两种分子表示形式的优势融合在一起,这种整体方法能够捕捉关键的分子结构特征和高层次的语义信息,并在分子拓展组和 ADMET 拓展组等基准组中,相对于先进的基线模型展现出在分子性质预测等拓展任务中性能的提升。
Nov, 2023
将自然语言和图形表示相结合,通过对齐神经图形表示和特性文本描述的表示,提高了下游分子属性分类任务的性能,实现了与仅以图形方式进行预训练的模型相比的 + 4.26% AUROC 的增益,并相对于最近提出的分子图 / 文本对比训练的 MoMu 模型 (Su et al. 2022) 的 + 1.54% 增益。
Jul, 2023
我们提出了 3D-MolT5 框架,通过在特定的三维令牌词汇表上映射细粒度的三维亚结构表示,实现了一维分子序列和三维分子结构的无缝组合,在一个统一的架构中编码了分子序列、分子结构和文本序列。对于分子属性预测、分子说明和基于文本的分子生成任务,我们的 3D-MolT5 在多个下游数据集上展现出优异的性能。
Jun, 2024
准确预测分子性质是药物发现中的一个具有挑战性但必不可少的任务。最近,多模态深度学习方法成功应用于分子性质预测,以克服传统单模态学习方法的局限性并提升模型在准确性、可靠性和抗噪性方面的表现。
Dec, 2023
基于结构的药物设计通过利用三维靶点结构的先验知识生成高亲和力配体。本研究提出了 MolEdit3D 方法,将三维分子生成与优化框架相结合,通过使用片段开发了一种新的三维图形编辑模型来生成分子,并在丰富的三维配体上进行了预训练,然后采用目标引导的自学习策略来改进与目标相关的性质。MolEdit3D 在大多数评估指标上达到了最先进水平,并且展示了对目标相关和目标无关性质的强大能力。
Feb, 2024
通过在语言模型中嵌入 3D 分子编码器,我们提出了 3D-MoLM:3D 分子语言建模,用于解决语言模型在理解三维分子结构方面的限制,在生物分子领域具有潜力。
Jan, 2024