Oct, 2023

化合物的增强聚类和新兴性质的无监督学习分子嵌入

PDF
TL;DR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。
molecular structuresdrug development discoverymachine learningchemical compoundsmolecular property prediction models
发现论文，激发创造
  • 结构与属性：化学元素嵌入和深度学习方法用于准确预测化学性质

    利用深度学习技术构建的新型机器学习模型，对多种输入数据进行分类任务，包括有机和无机化合物，并在 Matbench 和 Moleculenet 基准数据集上进行开发和测试，揭示了化合物的底层模式。该模型在分子和材料数据集上表现出很高的预测能力，并在 Tox21 数据集上实现了 96% 的平均准确率，比之前最好结果提高了 10%。

    Sep, 2023

  • 利用低维分子嵌入进行快速化学相似性搜索

    在化学中，最邻近基于相似性搜索是一项常见任务，但其中一些常用方法仍然采用蛮力算法。本研究评估了低维化学嵌入和 k-d 树数据结构相结合的方法，能在标准化学相似性搜索基准下实现快速最近邻查询，并证明了这种方法在超过十亿种化学物质的搜索中，仅用一个 CPU 核心能在一秒钟内执行，比蛮力算法快五个数量级，并且在化学相似性基准中表现出竞争性能。

    Feb, 2024

  • 化合物空间分子电子性质的机器学习

    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

  • 自适应网络嵌入聚类分子能量景观

    通过应用最近发展的网络嵌入技术，以压缩系统维度来实现小分子化学空间的高效探索，我们提出了一种数据驱动的方法，通过聚类分子结构的势能景观，获得通过嵌入函数定义的潜在变量。为了提高方法的扩展性，我们还结合了一种基于 Metadynamics 和 Transition Path Theory 的熵敏感的自适应能级采样方案来进行能量景观的分层采样。通过考虑系统能量景观所暗示的动力学信息，在降维中解释动态节点之间的关系。我们通过 Lennard-Jones（LJ）聚簇和人类 DNA 序列展示了该框架。

    Jan, 2024

  • 分析学习的分子表征进行性质预测

    在分子属性预测的算法解决方案中，神经机器技术的进步导致了一系列算法解决方案，其中神经网络应用于计算分子指纹或专家制作的描述符以及构造学习分子表示的图卷积神经网络最为有效，这项研究进行了广泛的基准测试，并提出了优于现有模型的图卷积模型的实证发现。

    Apr, 2019

  • 基于图结构学习的分子属性预测

    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

  • 用多模态对比学习从自然语言中提取分子性质

    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

  • 巨型语言模型能够提升分子属性预测吗？

    使用 Large Language Models (LLMs) 进行零 / 少量数据量的分子分类以及利用由 LLMs 生成的文本解释作为分子表示，可以大大提高分子属性预测的精度。

    Jul, 2023

  • N-Gram 图：用于图表征的简单非监督方法，并应用于分子

    本文介绍了一种新的无监督分子表示方法 N-gram graph，通过组合短途径图中的顶点嵌入来构建分子的紧凑表示，从而有效地预测分子性质并证明其在预测中的优势。

    Jun, 2018

  • 机器学习药物发现中的小分子性质

    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