YZS 模型：基于图卷积网络和 Transformer-Attention 的有机药物溶解度预测模型

Jun, 2024

YZS 模型：基于图卷积网络和 Transformer-Attention 的有机药物溶解度预测模型

YZS-model: A Predictive Model for Organic Drug Solubility Based on Graph Convolutional Networks and Transformer-Attention

PDF

Chenxu Wang, Haowei Ming, Jian He, Yao Lu

TL;DR通过引入深度学习框架，结合基于注意力机制的转换器、长短期记忆神经网络和图卷积网络，我们的研究旨在提高溶解度预测的准确性，为药物设计和选择提供新的见解和支持，为药物发现中的深度学习发挥重要作用展示了巨大潜力。

Abstract

The accurate prediction of drug molecule solubility is essential for determining their therapeutic effectiveness and safety, influencing the drug's ADME processes. Traditional solubility prediction techniques often fail to capture the complex nature of molecular tructures, leading to n

drug molecule solubility deep learning framework attention-based transformers long short-term memory (lstm) networks graph convolutional networks (gcn)

发现论文，激发创造

使用不同机器学习方法预测药物溶解度 -- 提取化学特征与图卷积神经网络的线性回归模型

利用现代计算资源，本研究采用线性回归模型和图卷积神经网络模型分析多个实验数据集，预测分子的溶解度，结果表明 GCNN 模型具有最佳性能，同时线性回归模型的特征重要性分析揭示了化学影响机制，为设计新药物时了解化学结构对化学性质的影响提供了重要参考。未来的工作应该将 GCNN 模型的高性能与线性回归模型的解释性相结合，以推动下一代高通量筛选的新突破。

Aug, 2023

使用注意力机制和贝叶斯学习精准、可靠和可解释的药物分子溶解度预测

利用贝叶斯图神经网络和自我注意力机制来预测药物的溶解度，该模型能识别原子贡献，有助于药物研发中的结构活性关系分析和优化决策。

Sep, 2022

使用深度集成神经网络，在端点设备上预测小分子的溶解度

本文介绍了一种使用具有预测不确定性的深度学习模型来计算水溶性的方法，并且该模型可以在不使用服务器的情况下在静态网页上运行，提高了计算效率和易用性，同时实现了分子性质预测模型的不确定性和易用性的平衡。

Jul, 2023

PotentialNet 用于分子性质预测

该论文介绍了使用基于深度神经网络的机器学习方法来改进药物发现过程中分子属性预测的性能，包括设计出的 PotentialNet 结构和 EF$_{chi}^{(R)}$ 指标以及交叉验证策略等，并在多个基于配体的任务中验证了模型性能的创新性。

Mar, 2018

通过图卷积网络生成分子

本文介绍了一种基于图卷积网络模型和输入归因方法的自动生成新分子方法，解决了药物设计中如何确定哪些分子的哪些方面对其最终活性 / 性能是更有影响力的问题。同时也探讨了过度优化和适用性两个问题的应用实例。

Jan, 2022

一种深度神经网络 -- 机械混合模型预测大鼠药物动力学

通过采用扩展的混合模型并在更大的数据集上进行训练，我们成功改善了之前开发的模型，将总体口服暴露的中位倍数误差从 2.85 降低到 2.35，静脉给药从 1.95 降低到 1.62，实现了对药代动力学不利显性统计配置的化合物进行筛选和开发，同时提供了预测其他指标（如性别和剂量形式）的能力。

Oct, 2023

应用生成预训练自回归转换器图神经网络分析和发现新型蛋白质

利用基于语言模型的灵活深度学习策略，基于一个完全基于提示的模型，将 transformer 和图卷积架构集成到因果多头图机制中，实现一个生成预训练模型，用于预测蛋白质的二级结构内容、蛋白质可溶性和蛋白质测序等任务，并可用于设计具有这些特性的蛋白质，这个模型展现了多任务和协同作用的应用价值。

May, 2023

基于图像和图结构的多模态学习用于预测分子性质的框架

MolIG 是一种多模态分子预训练框架，通过图像和图结构创新地利用分子图和分子图像之间的一致性和相关性执行自监督任务，有效地将两种分子表示形式的优势融合在一起，这种整体方法能够捕捉关键的分子结构特征和高层次的语义信息，并在分子拓展组和 ADMET 拓展组等基准组中，相对于先进的基线模型展现出在分子性质预测等拓展任务中性能的提升。

Nov, 2023

基于一次学习的低数据药物研发

本研究介绍了如何利用一次性学习来大幅降低药物研发预测所需的数据量，通过引入深度学习框架 DeepChem 的新架构残留 LSTM 嵌入和图卷积神经网络的组合，该方法在小分子化合物距离度量上取得了显著的进展。

Nov, 2016

药物分子构型的物理知识生成模型

基于扩散的生成模型，通过深度学习从大规模训练集中推断原子类型和几何参数，以取得高精度的键合参数，超过传统的基于知识的方法，并与实验结构进行比较。

Feb, 2024