Apr, 2024

HeMeNet：蛋白多任务学习的异构多通道等变网络

PDF
TL;DR通过输入蛋白质的三维结构，我们提出了一种神经网络模型来同时处理多个任务，该模型名为异质多通道等变网络（HeMeNet），可捕捉不同原子之间的异质关系，并通过任务感知读出机制实现任务特定学习。我们在多任务基准数据集上进行了广泛评估，验证了多任务学习的有效性，同时表明我们的模型通常优于现有的先进模型。
protein structuresmulti-task learningneural networkgraph neural networkstate-of-the-art models
发现论文，激发创造
  • 用于三维大分子结构的等变图神经网络

    应用等变图神经网络提高在结构生物学中解决机器学习中出现的三维大分子结构的难题，在八个任务中，在三个任务上超越了所有基准模型，在另外两个任务上并列第一，在使用高阶表示和球面谐波卷积的等变网络中表现良好。此外，我们证明迁移学习可以进一步提高特定下游任务的性能。

    Jun, 2021

  • 用层级旋转等变神经网络选择蛋白质复合物的结构模型

    本文介绍了一种基于机器学习的方法，利用 3D 原子坐标来直接标识蛋白质复合物的准确模型，提高准确模型的识别，也可以用于绝对预测准确结构模型的方法。

    Jun, 2020

  • ProteinNet：用于蛋白质结构机器学习的标准化数据集

    这篇研究论文介绍了一种名为 ProteinNet 的数据集，在蛋白质序列 - 结构关系的机器学习模型的训练和评估方面提供了一种标准化机制，并提出了一种方法来克服已有数据集中存在的一些挑战。

    Feb, 2019

  • 用于药物研发的大规模多任务网络

    研究表明，采用大规模多任务神经网络框架可显著提高医药研发预测准确性，总体数据量和任务增加均使多任务网络预测能力提高，并且数据共享和算法创新对于加速药物研发十分必要。

    Feb, 2015

  • 应用于分子性质预测的图神经网络上的多任务学习

    提出了一种基于图神经网络模型的最新、高效的多任务预测方法，结果表明，多任务学习可以提高模型性能，特别是数据点较少的数据集可以不需要数据增强，便能获得较好的效果，并且能显著减小模型的方差。

    Oct, 2019

  • 蛋白质多尺度表征学习

    本文提出了一种多尺度图构建方法 ——HoloProt，可以连接蛋白表面、结构和序列，并在不同任务上进行了测试，包括配基结合亲和力回归和蛋白质功能预测分类。该模型具有良好的稳定性和可靠性，并且在减少参数数量的情况下可以获得与现有模型相当的性能。

    Apr, 2022

  • 用于蛋白质结构表征学习的有向权重神经网络

    本文提出了一种基于蛋白质氨基酸之间的几何关系的指向性权重神经网络，结合了传统神经网络和等变神经网络，提供更好的蛋白质结构建模方法，并在多个计算生物学应用中取得了最佳表现。

    Jan, 2022

  • 基于 3D 感知正则化的多任务学习

    通过引入结构化 3D-aware 正则化方法，将深度神经网络与多任务背景相结合，可以改善性能。

    Oct, 2023

  • 异质多任务学习与专家多样性

    提出了一种名为 MMoEEx 的多门分层专家模型用于解决多任务学习（MTL）中的挑战，旨在优化单个模型以同时预测具有不同特征的多个任务，我们采用了一种方法来引入专家间的多样性，以创造更适合高度不平衡和异构 MTL 学习的表示，并采用两步优化方法在梯度水平上平衡任务。

    Jun, 2021

  • HiNet: 多场景多任务层级信息抽取的新型多任务学习技术

    提出了一种 HiNet 多场景和多任务推荐系统的层次信息提取网络，通过粗到细的知识转移方案实现层次信息提取，并引入了新颖的场景感知的注意力网络模块来明确场景之间的相关性，实验表明提出的方法在真实世界的产业环境中具有新的最先进的性能并显著优于现有解决方案。

    Mar, 2023