论文：预测原子距离进行构象预测（VAE）

已于 2022-02-25 20:03:08 修改
阅读量1.7k 收藏
点赞数
分类专栏： 药物设计 文章标签： 深度学习
于 2022-02-25 19:58:28 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_47163076/article/details/123140040
版权

A Generative Model for Molecular Distance Geometry

一个生成模型为了分子距离几何

参考：公众号文章
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

m0_47163076
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Nothing
Mystra
01-13 504
Bengio等人新作：基于双层规划的端到端分子构象生成框架
Paper weekly
07-31 335
©PaperWeekly 原创 ·作者|张一帆学校|中科院自动化所博士生研究方向|计算机视觉关于分子构象生成的新的工作，文中对 bi-level optimization 问...
阅读笔记--ICML2020--A Generative Model for Molecular Distance Geometry
tn520520的博客
12-05 221
阅读笔记--ICML2020--A Generative Model for Molecular Distance Geometry
论文：A Deep Generative Model for Molecule Optimization via One FragmentModification
m0_47163076的博客
02-25 2486
A Deep Generative Model for Molecule Optimization via One FragmentModification 利用变分自编码器的生成模型 训练：输入两个对比的分子，生成断点，需要删除增加的片段 生成：从隐向量空间中采样 z , 和Mx一起计算出断点，和需要删除或添加的片段。 We first quantified the difference between Mx and My using the optimal graph edit distance bet
阅读笔记--MolGAN: An implicit generative model for small molecular graphs
tn520520的博客
10-05 3496
Deterministic policy gradients 在药物生成中，我们生成的分子，不仅要满足化学定义，而且要有一些有用的性质（比如说易于合成）。而这种目标对于训练过程来说其实是不可微的，所以需要引入强化学习来优化那些不可微的指标的生成过程。 生成器 作者发现预先选择最大尺寸的图，可以以更快的速度训练，并且也更容易优化。 ...
结构化预测(structured prediction) *
u014765410的博客
10-14 2747
结构化预测(structured prediction)
【综述】分子表示与性质预测中的深度学习方法
qq_45331246的博客
10-09 5354
Drug Discovery Today、分子性质预测综述
【学习笔记】3D分子构象生成 Direct Molecular Conformation Generation
weixin_60795503的博客
09-04 460
1 摘要   分子构象生成旨在生成分子中所有原子的三维坐标，是生物信息学和药理学中的一项重要任务。以前的方法通常首先预测分子的原子间距离、原子间距离的梯度或局部结构（如扭转角），然后重建其三维构象。如何在没有上述中间值的情况下直接生成构象还没有得到充分的探索。在这项工作中，我们提出了一种直接预测原子坐标的方法：（1）损失函数对坐标的旋转平移和对称原子的排列是不变的；（2） 新提出的模型自适应地聚合键和原子信息，并迭代地细化生成的构象的坐标。我们的方法在GEOM-QM9和GEOM Drugs数据集上获得了最佳
论文阅读——《Deep learning methods for molecularre presentation and property prediction》
There is a way.
04-18 1271
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。
浮石：浮石：使用染色质构象和表观基因组学告知的模型进行预测
02-10
浮石PUMICE（使用染色质构象和表观基因组学告知的模型进行预测）是一种工具，可创建用于转录组范围关联研究的基因表达预测模型。 具体而言，PUMICE利用组织特定的3D基因组和表观基因组数据来定义包含顺式调节变体的...
protein-ebm:基于能量的原子分辨率蛋白质构象模型
04-15
基于能量的原子分辨率蛋白质构象模型 Pytorch实施已被ICLR 2020接受（具有聚光灯）。 包括训练代码，模型，数据集和预先训练的模型权重。 依存关系 要安装项目的依赖项，请执行 pip install -r requirements.txt ...
肌动蛋白相关蛋白（Arps）：染色质重塑机器的构象开关？
06-29
肌动蛋白相关蛋白（Arps）：染色质重塑机器的构象开关？ 肌动蛋白相关蛋白（Arps）：染色质重塑机器的构象开关？ Laurie A. Boyer 和 Craig L. Peterson* 总结 ATP 酶的肌动蛋白超家族包括细胞骨架肌动蛋白、应激 70...
PSPHybridDE:使用杂种差异进化（HybridDE）进行蛋白质结构预测
04-22
Rosetta系统的粗粒度原子模型用于蛋白质表示。 蛋白质能量分布图的高维和多峰性质要求有效的搜索以最少的能量获得天然结构。 但是，Rosetta的能量模型存在另一个困难，因为景观中最佳的能量区域不一定对应于与自然...
saul：Elixir的数据验证和构象库
02-05
`saul` 是一个基于 Elixir 语言的数据验证和构象库，它为开发者提供了一种简洁、优雅的方式来确保输入数据的正确性和一致性。在 Elixir 应用程序中，数据验证是至关重要的，特别是当你处理来自用户或者外部系统的...
深度学习1-简介
shangjg3的博客
07-25 1216
通过确定这两张真实图像的潜变量，对它们的值进行插值，然后用这些中间变量生成新图像，我们能创造出既视觉上合理，又融合了两张原始图像特征的中间图像。因此，它面临一个选择，是利用已知的策略（沿地面滑行）还是探索其他可能的行动（可能实现更快的移动）。也许代理已经学会了如何获得适度的奖励，它应该继续遵循这个策略（利用现有知识），还是尝试不同的行动以寻找改进的机会（探索新的可能性）？第三，如果我们在两组潜变量之间的映射或潜变量到图像的映射中引入随机性，那么我们可以生成多个都与描述相匹配的图像（见图 1.12）。
深度学习的矩阵计算
最新发布
weixin_45706801的博客
07-25 456
在NumPy中，切片（slicing）是一种选择数组元素子集的方法。切片操作基于索引，但允许你指定一个范围的索引，而不是单个索引。这对于处理多维数组（NumPy中的ndarray对象）特别有用。
LSTM详解总结
GDHBFTGGG的博客
07-25 424
LSTM（Long Short-Term Memory）是一种用于处理和预测时间序列数据的递归神经网络（RNN）的改进版本。其设计初衷是为了解决普通RNN在长序列训练中出现的梯度消失和梯度爆炸问题。以下是对LSTM的详细解释，包括原理、公式、功能、优势等。
昇思25天学习打卡营第23天|LSTM+CRF序列标注
人工智能视觉分析算法学习实践和经验分享。
07-25 792
序列标注：指给定输入序列，给序列中每个Token（word）进行标注标签的过程。序列标注问题：是从文本中进行信息抽取，包括标注分词(Word Segmentation)、词性标注(Position Tagging)、命名实体识别(Named Entity Recognition, NER)等。“BIOE”标注方法：为命名实体识别的标注方法；是将一个实体(Entity)的开头标注为B，其他部分标注为I，非实体标注为O。表示文本中的每个字符分为四种类型：‌B（‌Begin）‌表示一个实体的开始。‌
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值