利用 k-mer 和基于片段的指纹扩展化学表示的分子指纹

Mar, 2024

利用 k-mer 和基于片段的指纹扩展化学表示的分子指纹

Expanding Chemical Representation with k-mers and Fragment-based Fingerprints for Molecular Fingerprinting

Sarwan Ali, Prakash Chourasia, Murray Patterson

TL;DR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。

Abstract

This study introduces a novel approach, combining substruct counting, $k$-mers, and Daylight-like fingerprints, to expand the representation of chemical structures in smiles strings. The integrated method generat

chemical structures smiles strings molecular embeddings chemoinformatics tasks molecular similarity analysis

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

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

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

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

化合物的增强聚类和新兴性质的无监督学习分子嵌入

分子结构和性质的详细分析具有通过机器学习进行药物开发发现的巨大潜力。我们介绍了用于基于 SMILES 数据检测和聚类化学化合物的各种方法。通过分析化学化合物的图形结构，我们的方法使用向量搜索来满足阈值值，并得到显著而集中的聚簇，该方法在查询和理解化合物方面产生了有利结果。此外，我们还使用存储在向量数据库中的 GPT3.5 的自然语言描述嵌入，优于基本模型。因此，我们引入了一种相似性搜索和聚类算法，以帮助搜索和与分子进行交互，增强化学探索的效率并实现未来在分子属性预测模型中的新发性能的发展。

Oct, 2023

ToDD: 计算机辅助药物发现中的拓扑化合物指纹

这篇论文研究了使用多参数持久化同调学习虚拟筛选，在分子结构信息的多个分辨率级别提取其持久同调特征，形成一个多维向量拓扑指纹，并将筛选过程视为一个基于图形排名的问题，实现在药物发现中应用。

Nov, 2022

基于碎片的 t-SMILES 用于新颖分子的生成

本研究介绍了一种名为 t-SMILES 的分子表示方法，采用基于分子图的全二叉分子树上的 BFS 得到 SMILES 类型字符串描述分子，可结合序列生成模型和图模型的优势，适用于分子生成和设计任务，实验证明 t-SMILES 基于模型表现显著超越了先前提出的基于片段的模型，并且对传统的 SMILES 和图模型具有竞争力。

Jan, 2023

利用低维分子嵌入进行快速化学相似性搜索

在化学中，最邻近基于相似性搜索是一项常见任务，但其中一些常用方法仍然采用蛮力算法。本研究评估了低维化学嵌入和 k-d 树数据结构相结合的方法，能在标准化学相似性搜索基准下实现快速最近邻查询，并证明了这种方法在超过十亿种化学物质的搜索中，仅用一个 CPU 核心能在一秒钟内执行，比蛮力算法快五个数量级，并且在化学相似性基准中表现出竞争性能。

Feb, 2024

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

有限监督的原子级光学化学结构识别

通过图形表示或图像识别分子的化学结构是一项具有挑战性的模式识别任务，在药物开发方面具有很大的好处。我们提出了一种新的化学结构识别工具，该工具提供了最先进的性能，并可以适应少量数据样本和监督下的新领域。与以前的方法不同，我们的方法提供了原子级定位，因此可以将图像分割成不同的原子和键。我们的模型是第一个只使用 SMILES 监督进行原子级实体检测的 OCSR 模型。通过严格和广泛的基准测试，我们证明了我们的化学结构识别方法在数据效率、准确性和原子级实体预测方面的卓越性。

Apr, 2024