- 通过合成坐标在分子图上进行定向信息传递
本文提出一种使用合成坐标的图神经网络方法,该方法不要求提供真实的分子结构,通过使用不同的距离和角度信息转换使得原来的图神经网络性能提升了 55%, 并在 ZINC 和 QM9 领域中创造了最新的记录。
- QMugs: 药物类分子的量子力学性质
QMugs 是一个填补了先前缺失的波函数、热力学、能量数据、分子建模等信息的巨型数据集,它拥有用于药物相关分子的 647K 个构象和更多量子力学或者 DFT 计算所需的数据。
- E (n) 等变图神经网络
本文介绍了一种新的模型来学习具有等变性的图神经网络,称为 EGNN,此方法不需要在中间层中计算昂贵的高阶表示,同时具有竞争力或更好的性能,在 3 维空间等变性上具有比现有方法更大的伸缩性,并在动态系统建模,图自编码器中的表征学习和预测分子性 - 分子属性预测和药物发现的高级图形和序列神经网络
我们开发了一套深度学习方法和综合工具,针对分子属性预测和药物发现,跨越不同的计算模型、分子表示和损失函数。我们将分子表示为图和序列,并围绕这些表示所构建的深度模型进行学习。为了有效地从高度不平衡的数据集中学习,开发了优化精度 - 召回曲线下 - 预测分子属性中旋转等变卷积的相关性
本文探讨将角度特征直接纳入分子属性预测的实际价值,通过对 e3nn 与 QM9 数据集进行消融研究,发现旋转等变层相对于增加网络深度来说更为参数有效。在保持网络深度和参数数量稳定的情况下,加入角度特征可以平均降低测试误差 23%,特别是在偶 - 高阶路径上的神经消息传递
本文介绍了一种基于图神经网络的新模型,利用更高阶的路径传播信息,可以更准确地预测分子的一些性质,比如化学基团和分子几何结构等方面。
- 应用于分子性质预测的图神经网络上的多任务学习
提出了一种基于图神经网络模型的最新、高效的多任务预测方法,结果表明,多任务学习可以提高模型性能,特别是数据点较少的数据集可以不需要数据增强,便能获得较好的效果,并且能显著减小模型的方差。
- 基于支架的分子设计使用图生成模型
本研究提出了一种基于 scaffold 的分子生成模型,通过顺序添加顶点和边来生成分子图,可以在保证给定 scaffold 的同时控制生成分子的多种性质。
- 药物发现中的可解释深度学习
本文旨在揭示预测分子性能和生物活性的神经网络是如何生成并理解隐藏于模型中的学习表示的。我们提出了一种解释神经元如何被用作分类器的方法,用以确定具有药效或毒性结构的成分,从而为化学、药理学和生物化学领域提供新的视角与重要的知识。此外,我们还提 - 用于高通量聚合物筛选的信息传递神经网络
研究表明,基于分子结构的图神经网络架构是目前预测分子性质最好的机器学习方法之一,并且可以监督大规模重复评估化合物库。使用新的有机光伏应用候选分子数据库进行的实验证明,即使不要求最优的立体结构输入,利用信息传递神经网络可以获得与现有基准数据集 - 基于边缘注意力的多关系图卷积网络
该论文提出了一种基于边注意力的多关系图卷积网络 (EAGCN) 模型,可用于多个化学数据集中学习化合物的属性,通过设计边注意力字典以及在不同分子中查找该字典以形成每个分子的注意力矩阵,进而实现对不同分子大小的聚合节点特征预测的独立性。
- 使用深度神经网络进行分层建模的分子能量模拟
介绍了一种被称为 HIP-NN 的神经网络模型,利用诸如能量等的物性解析为层级术语总和,可以精准预测 131k 个有机分子的能量,并且可以用于分子动力学轨迹的预测。模型的分层结构有助于识别模型不确定性。
- 药物发现中的图级表示学习
本文提出了一种新的方法,使用具有所有节点连接的虚拟超级节点来表示整张图并改进图像运算以帮助超级节点学习整体特征,同时采用集中损失来处理药物数据集中的类别不平衡问题。该方法显著提高了小分子属性预测的性能。
- 跨结构空间和金属空间比较分子和固体
本研究介绍了一种使用机器学习技术探索复杂材料配置空间必不可少的结构相似度度量方法 ——SOAP,以及如何使用 REMatch 方法将这些局部描述符相结合,并在小有机分子数据库中达到一个平均绝对误差小于 1 kcal/mol 的预测效果的重要 - 走向量子计算机上的量子化学
该论文介绍了如何使用光学实现量子计算机算法,以解决传统计算机上计算分子性质所需的资源呈指数级增长的问题,并在实验上取得了初步进展。