Aug, 2024

GNN-MolKAN：利用KAN的力量推进分子表示学习与GNN

HTML
PDF
TL;DR本研究解决了现有分子表示学习方法在注释不足和架构设计不佳方面的不足，提出了GNN-MolKAN及其增强变体GNN-MolKAN+，将Kolmogorov-Arnold网络(KAN)架构集成到GNN中，从而改善分子表示。实验结果表明，该方法在多个分类与回归数据集上表现出色，尤其在少样本学习场景中提升了约6.97%的性能，显著提高了GNN的预测能力和效率。
发现论文，激发创造
  • 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

  • 通过图神经网络进行分子对比学习表示

    本文介绍了 MolCLR 框架：通过图神经网络的分子对比学习，基于大规模未标记的分子数据集学习不同iable的表征，提供预训练和微调来有效地预测分子性质，实验结果显示该框架在分类和回归任务上显着提高了性能。

    Feb, 2021

  • 3D Infomax提高了分子属性预测的GNN性能

    该研究提出了一种基于2D分子图的分子几何预训练模型，通过自监督学习方法，使其能够生成隐含的3D信息，显著提升各种性质的预测表现，并可跨多个不同的分子空间进行有效的迁移学习。

    Oct, 2021

  • FunQG: 通过商图学习分子表示

    本研究提出一种名为FunQG的新型分子图粗化框架，基于图论概念称为商图，它使用分子的功能基团作为影响分子性质的重要构建块，可以简化分子图并低于成本用于培训图神经网络，超越了先前基线在各种数据集上，因此是解决分子表示学习问题的一种简单，具有成本效益和强大鲁棒性的方法。

    Jul, 2022

  • 基于片段的分子图预训练与微调

    利用基于片段的对比学习方法，在分子图预测性质方面取得了良好表现并提高了长程生物标准的预测效果。

    Oct, 2023

  • 通过潜在空间融合提高分子属性预测

    本文提出了一种多视图方法，将来自最先进化学模型的潜在空间进行结合，其中使用了基于MHG-GNN的嵌入（将分子结构表示为图形）和根植于化学语言的MoLFormer嵌入。我们通过在六个基准数据集上评估该方法，证明了我们所提出的多视图方法在预测临床试验药物毒性和抑制HIV复制等复杂任务上，优于现有的最先进方法，包括在11亿个分子上进行训练的MoLFormer-XL。研究结果突显了潜在空间融合和特征整合在推进分子属性预测方面的潜力。

    Oct, 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

  • 利用辅助学习和特定任务适应性增强分子性质预测

    既训练的图神经网络（Pretrained Graph Neural Networks）广泛应用于各种分子属性预测任务，但由于传统的精调对目标任务的训练会导致较差的泛化性能，因此本文探讨了通过与多个辅助任务共同训练的方式来适应目标任务的预训练图神经网络。实验证明了我们提出的方法的有效性，在最先进的预训练图神经网络上的改进效果达到了7.7％，这表明在分子属性预测中，将辅助任务与目标任务的精调结合起来可以有效提高预训练图神经网络的泛化能力。

    Jan, 2024

  • LLM与GNN互补：用于多模态图学习的LLM蒸馏

    利用GALLON框架，将LLMs与GNNs能力结合起来，通过提取多模态知识到一个统一的多层感知器模型（MLP），集成了分子的丰富文本和视觉数据与GNNs的结构分析能力，显著提高了分子性质预测的准确性和效率。

    Jun, 2024

  • 通过结构相似性信息的分子图表示学习

    本研究针对现有分子图表示学习方法仅关注单个分子结构特征而忽视分子之间的结构相似性问题，提出了一种新的分子图表示学习方法——分子结构相似性模体GNN（MSSM-GNN）。该方法通过引入图核算法，从全球视角捕捉分子之间的相似性信息，从而提升特征表示的准确性，实验结果显示其在小规模和大规模数据集上优于多种最先进基线方法。

    Sep, 2024