Sep, 2023

分子构象集的学习：数据集与基准

PDF
TL;DR分子表示学习具有在药物发现和酶设计等众多生物化学应用中的显著影响。我们提出了第一个全面评估从同构体集合学习的潜力的 MoleculAR Conformer Ensemble Learning (MARCEL) 基准，并建议有前景的研究方向。我们的研究结果表明，直接从可访问的同构体空间学习可以提高各种任务和模型的性能。
molecular representation learninggraph neural networksconformer ensembleschemically diverse moleculesperformance improvement
发现论文，激发创造
  • 通过图神经网络进行分子对比学习表示

    本文介绍了 MolCLR 框架：通过图神经网络的分子对比学习，基于大规模未标记的分子数据集学习不同 iable 的表征，提供预训练和微调来有效地预测分子性质，实验结果显示该框架在分类和回归任务上显着提高了性能。

    Feb, 2021

  • 化学反应感知分子表示学习

    该研究提出使用化学反应来辅助学习分子表示，强制规定化学方程中反应物嵌入和生成物嵌入之和相等，以保持嵌入空间的良好组织，并提高分子嵌入的泛化能力。实验结果表明，该方法在多个下游任务中获得了最先进的性能。

    Sep, 2021

  • 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

  • 构象合集下的分子机器学习

    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

  • 分子 GNN 的预训练作为条件玻尔兹曼生成器

    我们提出了一种预训练方法，使用现有的分子构形数据集生成适用于多个构形的潜在向量，从而解决了获取多个构形的计算成本高的问题，并展示了我们的模型在分子性质预测方面优于使用分子图和三维分子结构的现有预训练方法。

    Dec, 2023

  • 分子表示学习中揭示神经比例定律

    从数据中心的观点出发，本文研究了分子表示学习的神经缩放行为，在数据量、数据质量和模型容量等四个关键维度上，证实了数据量和分子表示性能之间的一致性幂律关系，并通过详细分析，发现了提高学习效率的可能途径。

    Sep, 2023

  • GEOM：用能量注释的分子构象进行性质预测和分子生成

    使用密度泛函理论和高级采样方法生成超过 450,000 种分子的 3D 构象，这将有助于从构象集合中预测分子性质并进行生成模型的开发。

    Jun, 2020

  • GlycoNMR: 使用图神经网络预测糖类 NMR 化学位移的数据集和基准

    分子表示学习（MRL）是一种将分子转化为数值表示并保留其化学特性的功能强大的工具，在机器学习和化学科学之间架起了桥梁。在糖科学领域，MRL 方法的探索相对较少，这主要归因于糖特定数据集的有限可用性和缺乏针对糖数据所提出的机器学习流程。为了解决这个挑战，推动糖科学的进展，丰富 MRL 社区的数据资源，我们引入了 GlycoNMR，其包含两个经过精心策划的数据集，共有 2,609 个糖结构和 211,543 个标注的核磁共振（NMR）化学位移以进行精确的原子级预测。我们针对这个问题定制了特定于糖的功能并改进了现有的 MRL 模型，在我们的新数据集上对四种修改后的 MRL 模型进行了基准测试。

    Nov, 2023

  • 从化学反应知识中学习上下文分子表示

    借助自监督学习的 REM0 框架，基于化学反应的上下文，对分子表示学习进行了预训练，提供了富含化学知识的有意义的上下文表示，用于支持各种下游分子任务，同时在活性分析基准中超过了指纹方法。

    Feb, 2024

  • MoleculeNet: 分子机器学习基准

    MoleculeNet 是一个大规模分子机器学习基准测试，为多种先前提出的分子特征化和学习算法提供高质量的开源实现，并证明了可学习的表示是分子机器学习的强大工具，但其性能受到数据稀缺和高度不平衡分类的影响，物理感知特征化的使用对于量子力学和生物物理数据集更为重要。

    Mar, 2017