Oct, 2023

UniMAP：通用 SMILES - 图表示学习

PDF
TL;DR本文提出了一种称为 UniMAP 的通用 SMILE-graph 表示学习模型，通过底层嵌入层和多层 Transformer 的使用，实现了跨多模态融合，包括多级跨模态掩码、SMILES-Graph 匹配、片段级对齐和领域知识学习等预训练任务，通过在多种下游任务上的实验证明了 UniMAP 在分子性质预测、药物 - 目标亲和性预测以及药物 - 药物相互作用方面的优越性能。同时展示了学习到的表示在多模态集成中的效果。
发现论文，激发创造
  • 多模态信息下的分子联合表示学习

    本文提出了一种新的分子联合表示学习框架，通过 SMILES 和分子图的多模态信息进行多模态融合，改进了自我注意力机制，并进一步提出了双向消息传递图神经网络来增强从图中聚合的信息流以进一步组合。我们通过公共性质预测数据集上的大量实验证明了我们的模型的有效性。

    Nov, 2022

  • 双视角分子预训练

    该研究提出了一种双视图分子预训练算法（简称 DMP），旨在将分子的图表示和 SMILES 序列表示相结合进行预训练，经过在多种分子特性预测任务和合成规划任务上的测试，DMP 都取得了最先进的表现。

    Jun, 2021

  • 对比预训练下的多语言分子表示学习

    该研究提出了一种基于对比学习构建多语言分子嵌入的预训练方法 MM-Deacon，通过对 SMILES 和 IUPAC 语言的大规模分子进行预训练，在分子性质预测、零样本跨语言检索和药物相互作用预测任务中取得了鲁棒性良好的结果。

    Sep, 2021

  • SMILES Transformer: 面向低数据药物发现的预训练分子指纹

    本文介绍了一种基于 SMILES Transformer 的分子指纹预测方法，该方法在虚拟筛选和其他药物发现任务中表现出优越性，在小数据集和复杂分析环境中表现良好。

    Nov, 2019

  • UMLS 知识图谱上的多模态图学习

    机器学习在医生对病人的发展趋势获得洞察力方面受到越来越多的关注。我们提出了一种名为多模态 UMLS 图神经网络学习（MMUGL）的新方法，用于使用基于统一医学语言系统的知识图上的图神经网络学习医学概念的有意义的表示。这些表示被聚合表示整个病人就诊情况，然后输入到序列模型中以在病人的多次医院就诊的粒度上进行预测。我们通过整合先前的医学知识并考虑多种模态来提高性能。我们将我们的方法与用于不同粒度上学习表示的现有架构在 MIMIC-III 数据集上进行比较，并展示出我们的方法优于这些方法。结果表明了基于先前的医学知识的多模态医学概念表示的重要性。

    Jul, 2023

  • 化学语言与分子图在多模态融合深度学习中的整合，用于药物性质预测

    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

  • MolFusion: 分子表示的多模态融合学习 -- 基于多粒度视图

    人工智能通过编码药物分子来预测药物特性，帮助快速筛选候选药物。利用不同来源的分子表示，如 SMILES 和分子图，可以提供互补信息进行分子编码。我们提出了一种多粒度融合方法 MolFusion，该方法利用分子级和原子级编码实现不同分子表示之间的相互对齐，实验结果表明 MolFusion 有效地利用了多模态的互补信息，在不同分类和回归任务中显著提高了性能。

    Jun, 2024

  • 分子属性预测的图多相似性学习

    我们提出了图形多相似学习（GraphMSL）框架，它在连续尺度上捕捉了分子的自相似性和相对相似性，从而显著提高了分子性质预测中的表示学习的效果。此框架通过不同化学模态推导出单峰多相似性度量，融合这些度量到多模态形式中，灵活的融合函数可以重塑模型的重点以传达不同的化学语义，并通过各种下游任务和事后分析显示出了显著的性能，在药物发现评估中具有重要潜力。

    Jan, 2024

  • UniCorn: 多视图分子表示学习的统一对比学习方法

    通过对比学习，我们提出了一种名为 UniCorn 的新型预训练框架，具备对分子进行三个不同层次的视图描绘，从而实现了完整且通用的分子表示，并在量子、物理化学和生物学任务中取得了最佳性能，验证了 UniCorn 的普适性和有效性。

    May, 2024

  • 基于图像和图结构的多模态学习用于预测分子性质的框架

    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