tn520520的博客

复杂的图2.1 异构图同构图只有一种节点类型，一种边的类型。异构图即边与节点的类型都不止一种的图。二分图：G={V,E}\mathcal G=\left\{\mathcal V,\mathcal E\right\}G={V,E}，节点集V\mathcal VV可以被划分为两类V1\mathcal V_{1}V1​,V2\mathcal V_{2}V2​，图里的边只存在与这两个集的节点的相互连接。多维图：在许多现实世界的图形中，一对节点之间可以同时存在多个关系。比如电商网站里用户与商品之间的关系可以

阅读笔记-Biological structure and function emerge from scaling unsupervised learning to 250 million protein sequences概要数据与模型同源性建模概要         \,\,\,\,\,\,\,\,\,数十年来，公共数据库中蛋白质序列数量的增长呈指数趋势，从而深入了解了整个生命中蛋白质序列的广度和多样性。 该数据为使用人工智能研究生物学的预测和生成模型提供了有希望的基础。 本文的重点是使单个模型适合

阅读笔记--Pre-training Protein Language Models withLabel-Agnostic Binding Pairs Enhances Performancein Downstream Tasks1、预备知识1.1 Longformer1.2 BPE介绍2、相关工作3、方法2.1 数据集下游任务单个的蛋白质序列分类成对蛋白质序列分类token级分类（序列标注）1、预备知识1.1 LongformerLongformer是一种可高效处理长文本的模型，传统Transfor

阅读笔记蛋白质介绍蛋白质的基础问题蛋白质家族概要方法数据集蛋白质介绍蛋白质对于生物的运转必不可少，从运输氧气的血红蛋白到人眼中的感光蛋白，从运输离子的输运蛋白到肌肉中的肌肉蛋白，它们的存在为生命造就多姿多彩的发展。理解蛋白质的结构和损坏机理不仅能够让我们对疾病的分子学机理有着更好的了解，更能帮助我们找到更好的方式对抗疾病！蛋白质除了是维生的必要物质，更是生产各种抗体和疫苗的有效方式，同时还可以通过个性化改造让细菌具有分解废物的能力，生产出具有去污功效的酶。如果能够更深入地理解蛋白质，更多的新功能就可以被

阅读笔记--ICML2020--A Generative Model for Molecular Distance Geometry

阅读笔记-Iterative Refinement in the Continuous Spacefor Non-Autoregressive Neural Machine Translation1、1、

阅读笔记-图benchmarkogbn-proteins: Protein-Protein Association Networkogbl-ddi: Drug-Drug Interaction Networkogbl-biokg: Biomedical Knowledge Graphogbn-proteins: Protein-Protein Association Networkogbn-proteins：无向，带权重，多种边类型的图结构。节点代表着蛋白质分子，边表示蛋白质之间不同类型的有生物学意义的

Mask-Predict: Parallel Decoding ofConditional Masked Language Models·

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。...

阅读笔记-MoFlow: An Invertible Flow Model for Generating Molecular Graphs

A Graph to Graphs Framework for Retrosynthesis Prediction

GRAPHAF:A FLOW-BASED AUTOREGRESSIVE MODEL FOR MOLECULAR GRAPH GENERATION文章链接

阅读笔记Graph Representation Learning–Chapter943/100发布文章tn520520系列文章目录阅读笔记Graph Representation Learning–Chapter2阅读笔记Graph Representation Learning–Chapter3阅读笔记Graph Representation Learning–Chapter4阅读笔记Graph Representation Learning–Chapter5阅读笔记Graph Rep

系列文章目录阅读笔记Graph Representation Learning–Chapter2阅读笔记Graph Representation Learning–Chapter3阅读笔记Graph Representation Learning–Chapter4阅读笔记Graph Representation Learning–Chapter5阅读笔记Graph Representation Learning–Chapter6阅读笔记Graph Representation Learning–

系列文章目录阅读笔记Graph Representation Learning–2.1阅读笔记Graph Representation Learning–2.2阅读笔记Graph Representation Learning–2.3阅读笔记Graph Representation Learning–Chapter 3阅读笔记Graph Representation Learning–Chapter4阅读笔记Graph Representation Learning–Chapter5阅读笔记G

系列文章目录阅读笔记Graph Representation Learning–2.1阅读笔记Graph Representation Learning–2.2阅读笔记Graph Representation Learning–2.3阅读笔记Graph Representation Learning–Chapter 3阅读笔记Graph Representation Learning–Chapter4阅读笔记Graph Representation Learning–Chapter5阅读笔记G

系列文章目录阅读笔记Graph Representation Learning–2.1阅读笔记Graph Representation Learning–2.2阅读笔记Graph Representation Learning–2.3阅读笔记Graph Representation Learning–Chapter 3阅读笔记Graph Representation Learning–Chapter4阅读笔记Graph Representation Learning–Chapter5Chapt

系列文章目录文章目录系列文章目录Multi-relational Data andKnowledge Graphs概要4.1 Reconstructing multi-relational data4.2 Loss functions4.3 Multi-relational decoders4.3.1 Representational abilitiesMulti-relational Data andKnowledge Graphs概要Knowledge graph completion：我们在本

系列文章目录文章目录系列文章目录Neighborhood Reconstruction Methods3.1 An Encoder-Decoder Perspective3.1.1 The Encoder3.1.2 The Decoder3.1.3&3.1.4 Optimizing an Encoder-Decoder Model & Overview of the Encoder-Decoder Approach3.2 Factorization-based approachesLap

系列文章目录阅读笔记Graph Representation Learning–2.1阅读笔记Graph Representation Learning–2.2阅读笔记Graph Representation Learning–2.3文章目录系列文章目录2.3 Graph Laplacians and Spectral Methods2.3.1 Graph LaplaciansUnnormalized LaplacianNormalized Laplaciansrandom walk Lapl