FraGNNet:一种用于质谱预测的深度概率模型
本文基于生成对抗生成模型的对数似然梯度,介绍利用一种基于动态贝叶斯网络(DBN)的核判别分类器改进 Tandem Mass Spectrometry 中蛋白质识别的方法,通过引入 Theseus DBN 搜索算法,实现了自动学习模型参数的功能,并在评估数据集上取得了最优效果的结果。
Sep, 2019
本文介绍了一种基于机器学习和神经网络的代谢物注释模型 ——Ensemble Spectral Prediction (ESP),该模型通过加权 MLP 和 GNN 光谱预测器的输出来生成查询分子的光谱预测,可提高注释能力的 41% 和 30%,是目前神经网络方法中性能最优秀的模型之一,并在实验中验证了候选分子的相似性和数量对注释性能的影响。
Mar, 2022
本文介绍了一种用于 GC-EI-MS 数据的基于机器学习的新型的 de-novo 方法,主要解决由于缺乏附加信息而导致的质谱数据的结构鉴定问题。
Apr, 2023
利用迭代自训练的深度学习模型,我们提出了一种预测原子二维核磁共振(NMR)位移并标记实验光谱峰值的方法,该方法能准确处理中等和大分子,包括多糖。
Mar, 2024
通过采用 Fragment-Based Drug Design 范例生成小分子结构语言模型并进行分子生成,大幅提高了分子的有效性和独特性,达到了基于图像的模型的最佳表现。
Feb, 2020
提出一个新颖的多模态自监督网络(MS-Net)用于合成孔径雷达(SAR)影像中飞机的细粒度分类,通过大量实验,证明了 MS-Net 在无标签情况下能够有效降低类似类型飞机的分类难度,对 SAR 影像中飞机的细粒度分类具有开创性意义。
Aug, 2023
该研究提出了一种基于节点掩蔽和多粒度消息传递的联邦图模型来解决时空预测中的隐私和安全问题,该模型的实验结果表明在两种不同的场景中得到了最佳结果。
Oct, 2022