MolecularGPT: 开放式大型语言模型（LLM）用于少样本分子性质预测

Jun, 2024

MolecularGPT: 开放式大型语言模型（LLM）用于少样本分子性质预测

MolecularGPT: Open Large Language Model (LLM) for Few-Shot Molecular Property Prediction

Yuyan Liu, Sirui Ding, Sheng Zhou, Wenqi Fan, Qiaoyu Tan

TL;DR利用 MolecularGPT，基于大规模语言模型对分子指令进行微调，并通过零样本和少样本的上下文学习，在少样本分子预测任务中取得新的竞争性结果，显示出语境推理能力优势，超过传统的图神经网络方法和现有语言模型基线，为语言模型在少样本分子特性预测中的应用发展提供了潜力。

Abstract

molecular property prediction (MPP) is a fundamental and crucial task in drug discovery. However, prior methods are limited by the requirement for a large number of labeled molecules and their restricted ability to generalize for unseen and new tasks, both of which are essential for re

molecular property prediction few-shot mpp language models in-context learning graph neural network

发现论文，激发创造

巨型语言模型能够提升分子属性预测吗？

使用 Large Language Models (LLMs) 进行零 / 少量数据量的分子分类以及利用由 LLMs 生成的文本解释作为分子表示，可以大大提高分子属性预测的精度。

Jul, 2023

基于图结构学习的分子属性预测

在这篇论文中，我们提出了一种基于图结构学习的分子性质预测方法，称为 GSL-MPP。我们使用图神经网络（GNN）提取分子表示，构建分子相似性图并进行图结构学习，最终获得能够结合分子间关系的分子嵌入。实验结果表明，我们的方法在大多数情况下都达到了最先进的性能水平，尤其在分类任务上表现出色。

Dec, 2023

GPT 模型在化学方面能做什么？八项任务的综合评估

本文针对大语言模型在化学领域能力的未知，建立起一个包含 8 个化学实践任务的全面基准，运用 GPT-4、GPT-3.5 和 Davinci-003 三种 GPT 模型以零样本和少样本的情境下进行测试，发现 GPT-4 相较于其他两种模型表现更佳，而 GPT 模型在需要精确理解分子 SMILES 表示的任务中较为欠缺，而在文本相关的说明任务方面表现出较强的能力。

May, 2023

GPT-MolBERTa: 用于分子性质预测的 GPT 分子特征语言模型

利用自然语言处理模型 GPT-MolBERTa，通过分析分子的详细文本描述来预测其性质，并展示模型的可解释性。

Sep, 2023

分子属性预测的少样本图学习

本文介绍了一种新颖的用于少样本分子属性预测的模型 Meta-MGNN，该模型利用分子图神经网络学习分子表示，并构建元学习框架进行模型优化，在公共数据库上的实验结果表明，Meta-MGNN 优于其他多种先进的方法。

Feb, 2021

上下文学习用于少样本分子属性预测

本文将上下文学习的概念应用于无监督学习，以开发一种新的算法用于预测分子性质，并在小样本支持时超过了最近的元学习算法，在大样本支持时与最佳方法具有竞争力。

Oct, 2023

DrugLLM：用於少樣品分子生成的開放式大型語言模型

DrugLLM 是一个专门用于药物设计的大型语言模型，在训练过程中使用基于群组的分子表示（GMR）来表示分子，通过预测基于过去修饰的下一个分子来学习如何修改分子，在有限的示例基础上生成具有期望特性的新分子，并具有强大的少样本分子生成能力。

May, 2024

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

CancerGPT: 利用大型预训练语言模型进行少样本药物配对协同作用预测

本研究利用大型预训练语言模型进行无多样本协同抗癌药物研究，其中提出了 CancerGPT 模型，并取得了较好的实验效果，该模型对于生物反应预测任务具有应用潜力。

Apr, 2023

基于图采样的分子属性预测元学习

为了有效利用分子和性质之间的多对多关系，我们提出了一种基于图采样的元学习（GS-Meta）框架来解决少样本分子属性预测问题。在五个常用基准测试中，GS-Meta 方法在 ROC-AUC 上始终优于现有技术 5.71％-6.93％，并验证了每个提议模块的有效性。

Jun, 2023