本研究介绍了一种基于图形的分子数据的自我监督学习的新型方法,称为基于图案的图形自我监督学习(MGSSL)。我们提出了一种依赖于自生成基元的新的预训练框架来捕获分子图中的丰富信息,该框架可以在宽度优先或深度优先的方式下执行,并在不同的下游基准任务上进行了广泛实验,表明我们的方法优于所有最先进的基线。
Oct, 2021
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
本文提出了一种针对图数据集的预训练策略和自监督方法,通过在节点和整个图级别上预训练表达力强的 GNN,以便 GNN 可以同时学习有用的局部和全局表示,并在多个图分类数据集上进行系统研究,发现我们的策略可避免负面转移并显着提高下游任务的泛化性能,最终达到了在分子性质预测和蛋白质功能预测方面的最先进性能。
May, 2019
本文提出一种预训练框架,使用合成图纹理来获取通用图结构信息,提高了已训练模型在不同下游任务上的性能。
通过学习图模式 (Motif),对大型图数据库进行 GNN 预处理,进而利用学习到的模式采样更多信息化的子图,通过对子图的对比学习预训练 GNN,使其性能在多个基准数据集中平均提高了 2.04% 的 ROC-AUC。
Dec, 2020
本文提出了一种新的方法,将单个分子结构的图形表示与生物医学知识图的多领域信息相结合,利用自监督策略进行预训练,成功地应用于化学性质预测任务,取得了超过现有最先进模型的表现。
Jun, 2023
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
使用多视图神经网络和交叉依赖的消息传递机制,以预测分子性质为目的,构建了一种能够同时利用节点(原子)和边(化学键)信息的表达力强的模型,并在多个基准测试中表现出优异性能。
May, 2020
通过理论分析和扩展 Fragment-WL 测试,我们提出了一种基于片段信息的高阶图神经网络架构,大大增强了理论表达力,并在合成和真实数据中优于其它片段偏置模型,以及与最新的基于 Transformer 的架构相比表现出更强大的泛化能力,成为分子建模任务的可靠解决方案。
Jun, 2024
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。