层次提示下的差异分子表示方法在多标签性质预测中的应用

May, 2024

层次提示下的差异分子表示方法在多标签性质预测中的应用

Adapting Differential Molecular Representation with Hierarchical Prompts for Multi-label Property Prediction

Linjia Kang, Songhua Zhou, Shuyan Fang, Shichao Liu, Wen Zhang

TL;DR我们的研究介绍了一种 Hierarchical Prompted Molecular Representation Learning Framework (HiPM)，通过任务感知的提示，增强了分子表示中任务的差异表达，并利用标签之间的共享信息来缓解不同任务之间的负迁移。广泛的实验表明，HiPM 在各种多标签数据集上达到了最先进的性能，为多标签分子表示学习提供了新的视角。

Abstract

Accurate prediction of molecular properties is critical in the field of drug discovery. However, existing methods do not fully consider the fact that molecules in the real world usually possess multiple property labels, and complex high-order relationships may exist among these labels.

molecular properties molecular representation learning multi-label property predictions hierarchical prompted molecular representation learning framework multi-label datasets

发现论文，激发创造

基于超网络的分层适应性用于少样本分子性质预测

通过引入一种新的分层适应机制（HiMPP），可以在生物医学应用中有效地解决少样本学习问题，提高分子属性预测的效果。

Oct, 2023

潜在提示转换器下的分子设计

该论文提出了一种潜在提示 Transformer 模型，用于解决诸如分子设计等具有挑战性的优化问题，其目标是找到具有目标化学或生物特性优化数值的分子，可以通过现有软件进行计算。我们的模型由三个组成部分组成：(1) 潜在向量，其先验分布由高斯白噪声向量的 Unet 转换建模。(2) 分子生成模型，根据 (1) 中的潜在向量生成基于字符串的分子表示。我们采用因果 Transformer 模型，将 (1) 中的潜在向量作为提示。(3) 属性预测模型，根据 (1) 中的潜在向量上的非线性回归来预测分子的目标属性值。我们将所提出的模型称为潜在提示 Transformer 模型。在对现有分子及其属性值进行初始训练后，我们逐渐将模型分布转移到支持所需目标属性值的区域，以进行分子设计。我们的实验证明，我们提出的模型在几个基准分子设计任务上实现了最先进的性能。

Oct, 2023

通过协同专家混合增强分子性质预测

使用 GNN-MoCE 架构，通过 Mixture of Collaborative Experts (MoCE) 作为预测器，在解决专家池同质性问题和专家组决策支配困境的同时增强了专家多样性，从而在 24 个 MPP 数据集上表现出比传统方法更卓越的性能，特别是在数据限制或极度不平衡的任务中。

Dec, 2023

在黎曼流形上学习分子谐波表示

本研究提出了一种谐波分子表示学习方法，使用分子表面的 Laplace-Beltrami 特征将分子表示为二维黎曼曼 ifold 上的多分辨率表示，同时采用谐波消息传递方法实现更好的分子编码，达到了与当前模型相当的预测能力，优于最先进的深度学习模型的生物蛋白质口袋分类和刚性蛋白质对接挑战，展示了其在分子表示学习中的多功能性。

Mar, 2023

分层语法引导几何用于高效的分子属性预测

通过使用可学习的分层分子语法，我们提出了一种数据高效的性质预测方法，可以从语法生成规则中生成分子，并利用次级空间的几何信息进行性质预测，从而在有限数据情况下优于其他方法。

Sep, 2023

关于条件和组合语言模型可微提示的研究

本研究提出了一种基于生产系统的模型 PRopS，可以通过学习将任务说明或输入元数据转换为连续提示以从 PLMs 中产生特定的输出，从而取得了比其他迁移学习技术更好的结果。

Jul, 2023

MolTailor: 通过文本提示定制化化学分子表征以执行特定任务

通过将语言模型视为代理和分子预训练模型视为知识库，我们提出了一种新颖的方法，称为 MolTailor，它可以通过理解任务的自然语言描述来强调分子表示中与任务相关的特征，从而提高预测性能。通过评估，我们证明了 MolTailor 相较于基线模型表现出更好的性能，验证了增强分子表示学习相关性的有效性，展示了语言模型引导优化的潜力，以更好地利用和释放现有强大的分子表示方法的能力。

Jan, 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

MolCAP：分子化学反应预训练及促进微调增强的分子表示学习

我们提出了一种基于化学反应知识的 MolCAP，它是一个图形预训练变压器模型，用于推动分子表示学习，其结果表明在各种生物医学任务中优于传统预训练框架的比较方法，这表明了应用反应信息进行分子表示学习的前景。

Jun, 2023

从表示学习中暂停：分子性质预测

本研究对比了随机森林、MolBERT 和 GROVER 三种基于 Extended-Connectivity Fingerprint、SMILES 字符串和分子图的分子表示学习模型，评估了其在 MoleculeNet 数据集和类阿片类物质数据集预测方面的效果，并探讨了数据集分布、活性悬崖、模型评价、任务设定和化学空间泛化等方面对模型效果的影响，旨在为提高该领域人工智能技术贡献可能的思路。

Sep, 2022