分子描述符+两篇文章

分子描述符相关（ Molecular Descriptor）

文章：Pushing the Boundaries of Molecular Representation for DrugDiscovery with the Graph Attention Mechanism

用图形注意机制推动药物发现的分子表现的边界

input

已保存到E:\桌面大包\计算机\AI药物设计\Quantum-chemical insights from deeptensor neural networks

这些分子表示可以分为基于graph的表示和基于几何的表示。 基于graph的表示仅将有关原子的拓扑排列的信息作为输入，而基于几何的表示则使用分子的几何信息，包括键长，键角和扭转角。

越来越多的分子表示已经被深度学习模型从简单的原始输入中自动生成。

尽管分子表示似乎会从对分子的三维（3D）构象的先验知识中受益，但实用的考虑因素（例如计算成本，排列不变性和构象生成的不确定性）限制了基于几何的表示法的使用。 例如，对于大多数药物发现应用，在给定的结合过程中小分子的活性构型通常是未知的。 在这种情况下，基于图的分子表示更为合适。 然而，这两类分子表示之间的鸿沟通常缺乏可转移性，并且无法互换地预测其性质。 因此，出现的问题是，将神经网络架构应用于分子图是否可以缩小该差距并使分子表示更可概括。

最近，在设计可从图结构化数据学习表示的神经网络体系结构方面取得了实质性进展。26-29这些体系结构的基本原理是学习节点和边的映射（也称为嵌入）形式，该形式可以完全捕获图信息，特别是对于推理而言 节点之间。 与以前的图形拓扑表示方法相比，最近的神经网络方法在捕获非突出模式方面更为强大，并且所需的特征设计工作更少。

文章：Quantum-chemical insights from deeptensor neural networks

深度张量神经网络的量子化学洞察力

这里提出的方法利用多体哈密顿概念来构建dtnn体系结构(图1)，包含量子化学原理，同时保持复杂数据驱动的学习机的完全灵活性。DTNN通过核荷电矢量和原子距离矩阵接收分子结构，通过结构获得转动和平移不变性(图1a)。距离在高斯基下展开，产生一个特征向量^dij2RG，它解释了不同距离区域的相互作用的不同性质。类似的方法已经被应用到库仑矩阵的项来预测分子性质