基于知识强化的生成模型改进分子生成与药物发现
该论文介绍了一种名为 medicX 的端到端框架,它将来自公共药物库的多种药物特征集成到一个知识图谱中,并使用各种翻译、分解和神经网络方法嵌入图谱中的节点,最终使用机器学习算法来预测未知的药物相互作用。
Aug, 2023
提出了一种可视化框架,用于可视化深度图形生成模型的编码和解码过程中生成的分子,并提供实时分子优化功能,这完善了黑盒子人工智能驱动的药物发现模型的可解释性。
Jul, 2020
该研究探讨了五个知识图谱嵌入模型在两个以药物发现为导向的公共知识图谱上的预测表现,并发现模型性能受训练设置、超参数选择、模型参数初始化种子以及数据集的不同分割等因素的显著影响。作者强调,为确保未来工作的完全可重现性和公正比较,应将这些因素与模型架构一起报告,并且这对于知识图谱嵌入在生物医学领域的应用和影响至关重要。
May, 2021
研究表明 Generative AI 方法在药物研发领域有广泛应用,本论文开发了一种基于变分自编码器和主动学习步骤工作流程的 GM 方法,可以从分子指标学习,生成与特定靶点高度亲和的化学有效分子和新的不同于目标已知结构的分子,并开启了针对特定目标探索新化学领域的可能性。
May, 2023
通过结合医学知识图谱和新颖的图模型 Dr.Knows,我们提出一种创新的方法来提高大型语言模型在自动诊断生成领域的能力,从而消除预训练的需要,提高自动诊断生成的准确性。
Aug, 2023
本文综述了生物医药行业中越来越受关注的图机器学习对于模拟生物分子结构、它们之间的功能关系以及综合多组学数据的能力,并在药物研发和发现的全过程中,从靶点识别、小分子和生物类药物设计、以及药物重药用等方面进行了归纳总结,并指出,尽管这一领域仍在崛起,但关键的里程碑已经出现,表明图机器学习将成为生物医学机器学习的首选模型框架。
Dec, 2020
医疗知识图谱自动化 (M-KGA) 是一种创新方法,通过利用用户提供的医学概念并利用 BioPortal 本体进行语义增强,以整合预训练嵌入向量,从而提高知识图谱的完整性。该方法引入了基于聚类和基于节点的两种方法,以发现知识图谱中隐藏的连接,通过对电子健康记录中 100 个频繁出现的医学概念进行严格测试,展示了有望解决现有知识图谱自动化技术限制的潜力。
Apr, 2024
本文介绍了一种融合领域知识的自我监督分子表示学习模型,通过在对比学习框架下显式编码领域知识,将化学领域知识融合到分子图表示中,证明这种方法可以区分具有相似化学公式但不同功能的分子。在 8 个公共数据集上进行的实验表明,该模型具有显著的有效性,相对于强竞争对手平均有 6%的绝对改进。消融实验和进一步的研究也证实了将化学领域知识纳入自我监督学习的最佳方法。
Mar, 2021
开发了一个基于领域知识图谱和语义推理的癌症特定生物标志物发现和交互式问答系统,使用生物医学数据、领域本体论、信息提取方法以及大型语言模型进行知识图谱的构建和更新。
Oct, 2023