![](https://img-blog.csdnimg.cn/20201014180756928.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
图神经网络
文章平均质量分 93
Surpassall
好事多磨,戒骄戒躁~~
展开
-
《Learning from Protein Structure with Geometric Vector Perceptrons》文献阅读
本博文基于《Learning from Protein Structure with Geometric Vector Perceptrons》进行翻译讲解,该文章发表于2021年的ICLR,作者来自斯坦福大学。该文章认为大型生物分子的三维结构学习是机器学习的一个独特领域,但是还没有出现一个统一的网络架构,同时利用问题领域的几何和关系两个层面。为了解决这个问题,作者引入了几何向量感知器,它扩展标准的密集层来操作欧几里德向量集合。配有几何向量感知器之后,图神经网络能够执行几何和关系推理,得到大分子的有效表示.原创 2022-02-17 14:37:43 · 4313 阅读 · 3 评论 -
PPI的多模态融合预测
本博文基于《Amalgamation of protein sequence, structure and textual information forimproving protein-protein interaction identification》这篇文章进行讲解,该文章发表在2020的ACL上,作者是印度理工学院计算机科学与工程系的两个研究生,主要的工作是构建了一个PPI的数据集,包括文本,基因序列和蛋白结构这三种模态。另外,作者还构建了一个模型去处理这三种模态的数据,然后预测PPI。最后.原创 2021-03-01 19:55:52 · 1415 阅读 · 2 评论 -
文献阅读《Self-Supervised Graph Transformer on Large-Scale Molecular Data》
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.原创 2020-12-09 17:47:18 · 2522 阅读 · 0 评论