Mar, 2024

高效计算分子指纹的 Python 库

PDF
TL;DR该研究论文介绍了一个高效的 Python 库，用于计算化学分子指纹，并提供了全面的接口，使用户能够轻松将该库整合到现有的机器学习工作流中，能够在大型数据集上使用并行计算，在合理的时间内执行诸如超参数调优等任务，同时证明了即使使用简单模型，通过使用化学分子指纹，也能够实现与最先进的机器学习解决方案相媲美的结果。
发现论文，激发创造
  • SMILES Transformer: 面向低数据药物发现的预训练分子指纹

    本文介绍了一种基于 SMILES Transformer 的分子指纹预测方法，该方法在虚拟筛选和其他药物发现任务中表现出优越性，在小数据集和复杂分析环境中表现良好。

    Nov, 2019

  • 分子图卷积：超越指纹技术

    描述了分子结构的分子 “图卷积”，这是一种针对无向图学习的机器学习架构，可以更好地利用图结构中的信息，为基于配体的虚拟筛选开辟了新局面。

    Mar, 2016

  • MoleculeNet: 分子机器学习基准

    MoleculeNet 是一个大规模分子机器学习基准测试，为多种先前提出的分子特征化和学习算法提供高质量的开源实现，并证明了可学习的表示是分子机器学习的强大工具，但其性能受到数据稀缺和高度不平衡分类的影响，物理感知特征化的使用对于量子力学和生物物理数据集更为重要。

    Mar, 2017

  • 利用 k-mer 和基于片段的指纹扩展化学表示的分子指纹

    该研究提出了一种新颖的方法，结合子结构计数，k-mers 和类似 Daylight 的指纹，以扩展 SMILES 字符串中化学结构的表示。该集成方法生成全面的分子嵌入，增强了辨别能力和信息内容。实验评估表明，与传统的 Morgan 指纹，MACCS 和单独的 Daylight 指纹相比，该方法优势明显，改善了药物分类等化学信息学任务。该方法提供了化学结构的更丰富表示，推进了分子相似性分析，并促进了在分子设计和药物发现中的应用。它为分子结构分析和设计提供了有前景的研究方向，并具有重要的实际实施潜力。

    Mar, 2024

  • 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

  • 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

  • 机器学习势使用的原子指纹和参考构型的自动选择

    本文介绍了一种自动选择指纹的协议，以便构建既能够在精度和计算效率之间实现最佳平衡，又能够加速高斯近似势的评估的神经网络势。其中展示了应用于水和 Al-Mg-Si 合金的神经网络势构建，并使用高斯过程回归预测小有机分子的形成能。

    Apr, 2018

  • 基于图卷积网络的分子指纹学习

    本文介绍了一种可直接在图形上操作的卷积神经网络，其架构推广了基于圆形指纹的标准分子特征提取方法，说明这些数据驱动的特征更易解释，并且在多种任务上具有更好的预测性能。

    Sep, 2015

  • 通过原子力显微镜图像的分子指纹提取进行分子鉴定

    通过使用拓扑指纹描述分子结构并利用深度学习模型进行虚拟筛选，我们能够从三维原子力显微镜堆栈图像中提取最优化的结构描述符，从而实现对分子的识别，识别准确率可达 97.6％。

    May, 2024

  • CheMixNet: 使用多种分子表征的混合 DNN 架构预测化学性质

    本文提出了一种基于 SMILES 和分子指纹的混合特征的神经网络模型 CheMixNet，其用于预测化学物质的性质，与其他候选神经网络体系结构相比取得了更好的效果。

    Nov, 2018