Sep, 2023

基于机器学习方法预测化合物活性

PDF
TL;DR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。
machine learningcheminformaticschemical compoundactivity predictionexisting techniques
发现论文，激发创造
  • 分子性质的机器学习：局部性和主动学习

    本篇论文提出了一种基于局部相互作用模型和主动学习算法的新型机器学习算法，可以在较小的训练集上提供高精度预测，并显著减少异常值误差，从而为材料设计和药物发现等领域提供更有效的高通量筛选方法。

    Sep, 2017

  • 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

  • 结合机器学习与计算化学以预测化学系统的观察结果

    新颖的应用机器学习与计算化学方法在分子建模、材料建模、药物设计等方面取得了可靠且富有洞见的预测结果。

    Feb, 2021

  • 矩阵完整化在热力学中的应用：活度系数的机器学习预测

    建立一种概率矩阵分解模型，用于预测任意二元混合物中活度系数，该模型不需使用任何已知的物理描述符，优于目前已经发展三十年的业内领先方法，可用于预测混合物的物理化学性质。

    Jan, 2020

  • 学习 SMILE (S)

    该论文证明了可以直接将自然语言处理方法应用于化学信息学的分类问题中，并通过 SMILES 化合物的标准文本表示考虑了这些看似不相关的领域之间的联系。研究了针对目标蛋白的活性预测问题，这是计算机辅助药物设计过程中的关键部分。实验结果表明，这种方法不仅能够超越手动制作表示结果的最高水平，还直接获得结构洞见以了解决策的制定方式。

    Feb, 2016

  • 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

  • QSAR 拟合的一致性预测方法的开发与评估

    提出了针对最先进的机器学习模型，包括深度神经网络和梯度提升机的计算有效的 CP 算法，可在一些数据分布的弱前提下生成有效预测间隔，为 QSAR 建模提供了新的工具。

    Apr, 2023

  • 无目标复合物活性预测：基于少样本学习

    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。

    Nov, 2023

  • 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

  • ALMERIA: 用可扩展的方法增强分子配对对比度

    ALMERIA 是一种用于估计化合物相似性和活性预测的决策支持工具，通过成对分子对比考虑它们的构象变化，覆盖了从数据准备到模型选择和超参数优化的整个流程，并使用可扩展软件和方法来利用大量数据进行实现。

    Apr, 2023