DGL & RDKit | 基于Attentive FP的分子性质线性模型

最新推荐文章于 2024-11-20 00:39:33 发布
最新推荐文章于 2024-11-20 00:39:33 发布
阅读量3.6k 收藏 6
点赞数 1
CC 4.0 BY-SA版权
分类专栏： RDKit | 化学信息学与AI 文章标签： DGL 化学信息学 RDKit 人工智能 图注意力机制
本文为博主原创文章，未经博主允许不得转载。
本文链接：https://blog.csdn.net/u012325865/article/details/104868265
本文介绍了基于DGL和RDKit实现的Attentive FP模型，用于分子性质预测。该模型利用图注意力机制，在药物发现相关任务上表现出高预测性能。通过训练和验证，Attentive FP模型相较于基于分子指纹的RandomForest展示出更好的溶解度预测效果。

基于分子图的深度学习在化学和药物领域非常热门。

2019年8月13日JMC（Journal of Medicinal Chemistry）刊登了一篇文章“Pushing the Boundaries of Molecular Representation for Drug Discovery with the Graph Attention Mechanism”，介绍了一种基于注意力机制的图神经网络模型（Attentive FP）。该模型可以用于分子表征，在多个药物发现相关的数据集上的预测表现达到当前最优，并且该模型所学到的内容具有可解释性。

Attentive FP
了解本专栏 订阅专栏 解锁全文 超级会员免费看
DGL & RDKit | 基于Attentive FP可视化训练模型原子权重
DrugOne
03-14 5298
DGL具有许多用于化学信息学、药物与生物信息学任务的函数。 DGL开发人员提供了用于可视化训练模型原子权重的代码。使用Attentive FP构建模型后，可以可视化给定分子的原子权重，意味着每个原子对目标值的贡献量。 基于Attentive FP可视化训练模型原子权重 环境准备 PyTorch：深度学习框架 DGL：基于PyTorch的库，支持深度学习以处理图形 RDKit：用于构建分...
DGL & RDKit | 基于GCN的多任务分类模型
DrugOne
03-21 3506
关于化学信息学领域基于图的方法的出版物很多。我无法涵盖所有​​内容，但仍然对这些领域感兴趣。我认为pytorch_geometric（PyG）和深图库（DGL）对于化学信息学家来说是非常有吸引力且有用的软件包。 我写了一些有关DGL和PyG的帖子。最近的DGL对化学信息学更加友好，因此我今天将DGL用于GCN模型构建。 最初，我尝试使用Skorch的DGL，但失败了。因此，我仅将DGL用...
详解AttentiveFP：图注意力机制用于分子性质预测的研究（含代码复现）
最新发布
m0_74897641的博客
11-20 2795
AttentiveFP详解
Bioinformatics2021 | FraGAT+：基于分子原始片段的多尺度图注意力机制的分子性质预测模型
justBeHerHero
11-24 1867
Bioinformatics2021 | FraGAT：基于分子原始片段的多尺度图注意力机制的分子性质预测模型
Pushing the boundaries of molecular representation for drug discovery with graph attention mechanism
wakeupshely的博客
08-02 585
Attentive FP 2020
化学分子溶解度预测模型（python-Rdkit构建）
toby001111的博客
03-31 4973
各位朋友好，今天我讲述如何用Rdkit构建化学分子的溶解度预测模型。首先我们要了解一个非常重要的包Rdkit。 Rdkit介绍 •Rdkit是开源的化学信息工具包 •采用了进行封装，提供Python2/Python3的接口 •通过SWIG技术提供Java 和C# 接口 •提供了大量对化学分子2D/3D的计算操作 •生成用于机器学习的分子描述商业友好的BSD协议 •核心数据结构和算法用C++实现 •通过Boost.Python技术对RDKit符...
计算机视觉----attention
aojuan3552的博客
09-12 226
Attention Mechanism主要有以下两个方面作用： 决定需要关注输入的哪部分。 分配有限的信息处理资源给重要的部分。 在神经网络中，注意力模块通常是一个额外的神经网络，能够硬性选择输入的某些部分，或者给输入的不同部分分配不同的权重。关于模型优化，注意力机制通常有一个连接在原神经网络之后的额外的神经网络实现，整个模型仍然是端到端的，因此注意力模块能够和原模型一起同步训练。对于soft attention，注意力模块对其输入是可微的，所以整个模型仍可用梯度方法来优化。而对于hard attent
DGL & RDKit|基于GCN与基于3D描述符的分子溶解度预测模型对比
DrugOne
01-16 3260
GCN GCN : 图卷积神经网络（Graph Convolutional Networks） 图卷积的原理 处理图形或网络的数据形式存在许多重要的实际问题，如社交网络、知识图形、蛋白质相互作用网络和分子图形等。然而，将深度学习应用于这些图形数据是非常重要的，因为它具有独特地图特征。人们非常关注神经网络模型对这种结构化图形数据的概括。过去的几年中，许多论文重新讨论推广神经网络以处理任意结构化...
Attention-Aware Compositional Network for Person Re-identification（行人识别组合网络+AACN）阅读笔记
与贰的博客
07-08 3713
对于这两天读的AACN这篇文章做个简单的笔记，自己尚且还存留着许多的困惑，希望在接下来的学习中能够掌握更多的部分，如果有时间我会回过头来再写一次。Person re-identification (ReID)是用来从不同的摄像机场景中通过视觉信息来进行行人识别的技术。由于行人具有姿态差别较大、背景复杂不固定和目标重叠等问题，该技术的实现具备一定的困难性。最近，通过周围场景定位进行姿态估计在准确度上...
Google研究 | 使用机器学习预测分子性质
谷歌开发者
05-03 1728
文 | Google Brain 团队研究员 George Dahl 最近，在化学行业涌现了许多激动人心的机器学习 (ML) 应用，特别是在解决化学检索问题方面，从药物发现和电池设计到寻找更好的 OLED 和催化剂，层出不穷。历史上，化学家一直使用薛定谔方程式的数值逼近（例如密度泛函理论 (DFT)）来进行此类化学检索。 然而，计算这些近似值的开销限制了检索的规模。为了实现更大规模的检
dgl 学习网站
zzx3163967592的博客
07-02 312
https://docs.dgl.ai/tutorials/basics/3_pagerank.html
FraGAT：一种针对分子特征学习的图神经网络 源码解读分析 2021SC@SDUSC
chy931088287的博客
12-28 2438
2021SC@SDUSC FraGAT：一种针对分子图特征提取的GNN，对于我们的DTA任务的分子表示学习部分有很大的启发，下面将学习分析它的代码与训练过程。 任务类型：线性回归 输入：药物分子SMILES 预测输出：分子属性值 FraGAT网络架构如下，它是分子经过断裂处理后分为四个部分经过特征提取最后拼接而获得最终的分子表示，我们的DTA任务的分子特征提取部分可以借鉴这一点，所以我们的重点将放在如何提取concat之后，进入FCN之前的特征向量。 代码分析： 从论文作者的训练实例开始分析（ESOL_s
DGL-LifeSci：面向化学和生物领域的 GNN 算法库
DrugOne
06-20 3174
基于深度图学习框架DGL 环境准备 PyTorch：深度学习框架 DGL：基于PyTorch的库，支持深度学习以处理图形 RDKit：用于构建分子图并从字符串表示形式绘制结构式 DGL-LifeSci：面向化学和生物领域的 GNN 算法库 DGL安装 conda install -c dglteam dgl DGL-LifeSci安装 pip install dgllife ...
Research | 使用无监督学习、多任务学习的分子性质预测新方法
数据派THU
02-10 926
来源：DrugAI 本文约5000字，建议阅读10分钟 文章提出了一种新的多任务学习框架。2022年12月15日，中南大学湘雅药学院曹东升团队，国防科技大学吴诚堃团队，浙江大学侯廷军团队以及湖南大学曾湘祥教授团队合作在Research期刊上发表论文“Pushing the Boundaries of Molecular Property Prediction for Drug Discovery ...
将分子SMILES生成DGLGraph
wufeil7的博客
04-22 7690
其实将分子的SMILES转化为图是很简单的，也是很便捷的，主要有以下几步： 一、导入相关的包 import numpy as np import torch import dgl from dgl import DGLGraph from rdkit import Chem from rdkit.Chem import rdMolDescriptors as rdDesc 二、将SMILES转化为RDKIT的mol对象，同时生成一个空的dgl图 molecule_smiles='[C@@H](Cl)(F)
rdkit 分子性质描述符（Descriptors）
qq_36801966的博客
06-29 7852
文章目录一、引入所需库二、性质描述符计算三、原子对性质的贡献可视化 分子性质也被称为描述符。 RDKit中内置了大量的分子描述符的计算方法， 这些方法主要位于rdkit.Chem.Descriptors <https://www.rdkit.org/docs/source/rdkit.Chem.Descriptors.html#module-rdkit.Chem.Descriptors>_ 也有些常用的性质在AllChem模块下面。 一、引入所需库 #! /usr/bin/python # co
文献阅读《Self-Supervised Graph Transformer on Large-Scale Molecular Data》
EE呈双的博客
12-09 3275
这篇文章是腾讯AI Lab和清华大学合作，投稿在2020年NeurlPS上的文章，主要的工作是设计了一个预训练模型，能够在大规模的无标签的化学分子数据上进行自监督训练，使得模型在下游任务的泛化性更强。接下来进入这篇文章的大概解读。 一、任务背景 在人工智能驱动的药物设计和发现中，如何获得分子的信息表示是至关重要的先决条件。近年来，很多研究将分子抽象为图（Graph），并使用图神经网络（GNNs）进行分子表示学习。但是有两个问题阻碍了GNNs在真实场景中的使用:（1）用于监督训练的有标签分子数据不足；（2.
2021-07-27
sophia_tianyifei的博客
07-27 278
Pytorch Geometric 经典模型 https://pytorch-geometric.readthedocs.io/en/latest/modules/nn.html#models GCN The Graph Neural Network from the “Semi-supervised Classification with Graph Convolutional Networks” paper, using the GCNConv operator for message passing.
pytorch可视化深度学习训练过程
weixin_38410551的博客
03-17 848
打印关键信息的log，l例如loss信息。 引入tqdm模块可以估计训练时间。 3.可视化训练过程。 参考链接： https://blog.csdn.net/weixin_38410551/article/details/104823037 ...
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
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

打赏作者

DrugOne

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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