本文提出了一种新方法称为 k-Motiflets，将 motif discovery 颠倒了过来，使用基于 k 个重复片段的算法来避免繁杂、不可预知的规则，此外还有自动确定输入参数的扩展功能。实现了无需先验知识就能提取有意义的 motif sets，与现有状态下的四种算法比较，发现本文所提出算法具有（a）数量上更好的相似度，可以找到更大的 motif set；（b）质量更佳，可以导致更清晰、更易解释的 motif，（c）具有最短的运行时间。

Jun, 2022

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

通过使用 Siamese 网络架构和预训练及微调流程，本研究旨在通过表示学习来学习旋律和其变化之间的内在关系。实验证明，这两种方法相互补充，在检索任务中使精确度 - 召回率曲线下的面积提高了 12.6%。最后，我们可视化所获得的旋律表示，以直观地理解音乐作品的整体结构。据我们所知，这项工作在计算建模音乐旋律方面迈出了值得关注的一步，为未来的自动音乐创作和音乐信息检索应用奠定了基础。

Sep, 2023

本文介绍了使用强化学习技术的 RL-MD 模型，可以在无标签数据的情况下进行核酸序列模式发现任务，并能在真实世界数据中识别出高质量的模式。

Sep, 2022

本文介绍了 idMotif，一种旨在帮助领域专家识别蛋白质序列中的基序的视觉分析框架。idMotif 采用基于深度学习的方法对蛋白质序列进行分类，通过解释深度学习模型决策的局部信息，能够在蛋白质群组中发现潜在的基序候选。它提供多种交互式视图，用于分析蛋白质群组及其序列。通过案例研究和专家反馈，展示了 idMotif 在分析和识别蛋白质序列和基序方面的实用性。

Feb, 2024

通过使用基础单元为基本图案生成解释的基于 Motif 的 GNN 解释器（MAGE），本研究解决了分子图神经网络在解释性方面所面临的挑战。通过定量和定性评估六个真实世界分子数据集，验证了该方法的有效性。

May, 2024

该论文提出了一种基于优化的方法来发现时间序列中的模式，该方法相对于搜索更能够发现频繁出现的、最优的模式，即使这些模式并不是明确的子序列。

May, 2015

本研究提出了一个新的分层图编解码器，采用更大、更灵活的图案作为基本组成部分，能够有效地处理分子生成任务，包括聚合物，其性能明显优于现有技术。

Feb, 2020

本文介绍了一种名为 MAGNet 的基于图的机器学习模型，可用于生成具有多样性分子结构的候选药物，该方法通过生成抽象几何形状再分配原子和键类型来实现。

May, 2023

通过研究亚图结构和词汇设计对分布学习的影响，揭示了 Subcover 对于提高现有方法的性能和可扩展性的潜力，从而在分子机器学习方面为化学家提供了优秀的工具。

Apr, 2023