- 博客(7)
- 收藏
- 关注
RSS订阅原创 论文阅读——《Metapath-fused heterogeneous graph network for molecular property prediction》
药物研发是一个耗时、复杂和昂贵的过程。在药物发现管道中，分子性质预测是自动筛选具有理想性质的靶标药物的基本任务之一[1]。随着深度学习的发展，分子表示学习比基于特征的方法显示出灵活性和有效性，并在分子性质预测任务中得到越来越多的关注，如分子分类[2,3]、分子性质回归[4,5,1]和分子生成[6]。
2023-10-17 17:17:56
220
原创 Molecular Property Prediction Based on aMultichannel Substructure Graph
分子性质的预测在药物发现中起着至关重要的作用[1]，[2]。生化实验等传统方法既费时又昂贵。分子是带有特定化学性质的特殊图形结构数据。基于分子结构的分子性质的计算机辅助预测可以加速药物发现过程。人工智能的发展为学习分子特征和预测性质提供了有效的方法，并已被应用于预测药物-疾病关联[3]。在深度学习中有许多类型的分子表示[4]-[7]。第一种是SMILES(简化分子输入行输入系统)，它按照指定的语法将分子编码成有意义的序列[8]，但使用SMILES格式时可能会破坏环。
2023-09-14 15:40:09
203
1
原创 CoAtGIN: Marrying Convolution and Attentionfor Graph-based Molecule Property Prediction
摘要基于计算策略的分子性质预测在药物发现和设计过程中起着关键作用，如DFT。然而，这些传统的方法耗时长，劳动强度大，不能满足生物医学的需要。由于深度学习的发展，出现了许多用于分子表示学习的图神经网络(GNN)变体。然而，现有的性能良好的基于图的方法具有大量的参数或轻模型，不能在各种任务上取得很好的成绩。为了管理效率和性能之间的权衡，我们提出了一种新的模型架构，CoAtGIN，同时使用卷积和注意力。在局部级别，k-hop卷积被设计用于捕获远程邻居信息。在全局层面，除了使用虚拟节点传递相同的消息外，我们还根据每
2023-07-22 17:30:22
242
原创 Do Transformers Really Perform Badfor Graph Representation?
Transformer架构已经成为许多领域的主导选择，例如自然语言处理和计算机视觉。此外，与主流GNN变体相比，它在流行的图级预测排行榜上的表现并不具有竞争力。因此，变形金刚如何在图表示学习中表现良好仍然是一个谜。在本文中，我们通过介绍graphhormer来解决这个谜题，graphhormer建立在标准的Transformer架构之上，并且可以在广泛的图表示学习任务中获得出色的结果，特别是在最近的OGB大规模挑战中。我们在图中使用Transformer的关键见解是必须有效地将图的结构信息编码到模型中。
2023-07-18 22:19:32
417
1
原创 ONE TRANSFORMER CAN UNDERSTAND BOTH 2D & 3D MOLECULAR DATA
与通常具有独特格式的视觉和语言数据不同，分子可以自然地使用不同的化学配方来表征。人们可以将分子看作二维图形，也可以将其定义为位于三维空间中的原子集合。对于分子表示学习，大多数先前的工作只针对特定的数据格式设计了神经网络，这使得学习到的模型可能无法适用于其他数据格式。我们相信一个通用的化学神经网络模型应该能够处理跨数据模式的分子任务。
2023-07-16 22:19:23
649
1
原创 论文阅读——《Deep learning methods for molecularre presentation and property prediction》
这是一篇发表在（2022中科院二区，属于Elsevier出版社旗下）上的一篇关于分子表征和性质预测的综述。这篇综述中总结了深度学习（DL）方法在分子表征和性质预测方面的当代应用。并根据分子数据的格式（1D、2D和3D）对DL方法进行分类。还讨论了一些常见的DL模型，如集成学习和迁移学习，并分析了这些模型的可解释性方法。还强调了DL方法在分子表征和性质预测方面的挑战和机遇。在这篇综述中，综述了多种类型分子数据的DL方法以及新兴的方法，包括迁移学习、元学习等。此外，还讨论了DL模型中分子的可解释性方法。
2023-04-18 11:29:10
2611
3
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人