Nov, 2023

无目标复合物活性预测：基于少样本学习

PDF
TL;DR设计了一种新颖的神经网络结构，以元学习大规模生物活性数据集上的连续化合物活性，并通过聚合已知化合物及其活性产生的编码来捕捉测定结果的信息。与传统的基于相似性的技术以及其他领先的少样本学习方法相比，FS-CAP 在各种无靶标药物发现设置和数据集上表现优异。
发现论文，激发创造
  • 基于环境丰富的分子表征提高少样本药物发现

    该研究提出了一种新的少样本药物发现方法，通过 Modern Hopfield Network 的参照分子对支持集和查询集中的分子进行表示丰富，从而成为药物发现中新的最优方法。

    Apr, 2023

  • 基于机器学习方法预测化合物活性

    探索机器学习（ML）方法和技术以解决各个领域中的特定挑战是必要的。本研究在化学信息学领域解决一个问题，即为预测化合物活性提供尽可能合适的解决方案。通过对 100 种不同组合的现有技术进行实验，选取满足 G-means、F1-score 和 AUC 指标等一套标准的解决方案。结果在 PubChem 的约 10,000 个化学化合物数据集上进行了测试，这些化合物根据其活性进行了分类。

    Sep, 2023

  • 利用神经过程应对试验异质性，显著提高生物活性预测

    模型利用异质性药效数据的信息协同，成功应对了试剂异质性，极大地提高了不同蛋白质靶点和试剂类型的亲和力预测，从而在早期药物发现中实现了大规模虚拟筛选。

    Aug, 2023

  • 基于一次学习的低数据药物研发

    本研究介绍了如何利用一次性学习来大幅降低药物研发预测所需的数据量，通过引入深度学习框架 DeepChem 的新架构残留 LSTM 嵌入和图卷积神经网络的组合，该方法在小分子化合物距离度量上取得了显著的进展。

    Nov, 2016

  • 变分推断下的小样本活动识别

    我们提出了一种新的变分推断架构（HF-AR）用于少样本活动识别，在三个广泛使用的数据集上展示了在 1-shot 和 5-shot 分类上优于最先进技术的表现。

    Aug, 2021

  • 基于少样本学习的人类活动识别

    本文提出了一个面向穿戴式传感器的少样本学习方法，该方法利用相关任务的知识来训练具有很少标注数据的模型，通过参数传递的方式进行知识迁移，并提出了一种度量跨域类别相关性的度量方法以减少负迁移，实验结果表明该方法具有显著优势。

    Mar, 2019

  • 使用有针对性的干预进行活跃因果学习，解码化学复杂性

    基于分子结构预测和增强固有性质对于医学、材料科学和环境管理中的设计任务至关重要，本研究介绍了一种主动学习方法，通过智能抽样和干预来辨识潜在的因果关系，以优化在未接触到的化学空间内的设计任务。

    Apr, 2024

  • 上下文学习用于少样本分子属性预测

    本文将上下文学习的概念应用于无监督学习，以开发一种新的算法用于预测分子性质，并在小样本支持时超过了最近的元学习算法，在大样本支持时与最佳方法具有竞争力。

    Oct, 2023

  • 使用 FASL 进行主动式少样本学习

    本文介绍了一种新型迭代式快速文本分类模型训练平台 FASL，将 few-shot learning 和 active learning 两种方法相结合，探究了哪种主动学习方法在 few-shot setup 中的效果最佳，还开发了一个模型来预测何时停止标注。

    Apr, 2022

  • 大规模预训练提高了基于主动学习的分子虚拟筛选的样本效率

    预训练的基于转换器的语言模型和图神经网络在贝叶斯优化主动学习框架中表现良好，仅通过筛选超大型库中的 0.6％，可以识别到排名前 50000 位化合物的 58.97％，与先前的最先进基准相比提高了 8％，在结构基础和配体基础药物发现中具有卓越的性能，可提高基于主动学习的分子虚拟筛选的准确性和样本效率。

    Sep, 2023