3DInfomax 化合物分子基于对比学习的向量表示及相似检索

已于 2022-11-13 09:33:41 修改
阅读量917 收藏
点赞数 1
分类专栏： CADD/AIDD 文章标签： 学习 分子向量表示 GNN
于 2022-11-12 22:41:50 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/weixin_42357472/article/details/127826561
版权
本文介绍了如何利用3DInfomax进行化合物分子的向量表示学习，通过创建和运行simles_to_vecs.py脚本生成分子向量，并进行相似检索计算，实现对分子的高效检索和对比展示。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

参考：https://github.com/HannesStark/3DInfomax
在这里插入图片描述

1、3DInfomax 化合物分子基于对比学习的向量表示

首先把相关下载下来：
git clone https://github.com/HannesStark/3DInfomax.git

1）数据分子准备和yml文件创建
##数据加载 1万个smi分子，文件下载可参考：https://github.com/zilliztech/MolSearch/edit/master/script/test_1w.smi

mols2 = []
with open
了解本专栏 订阅专栏 解锁全文 超级会员免费看
ChemBERTa 化合物小分子的向量表示及相似检索
weixin_42357472的博客
11-23 1660
参考：https://arxiv.org/pdf/2209.01712.pdf模型是基于分子simles进行transformer的MLM预训练的bert模型。
干货！通过异构子图神经网络进行分子表示学习
AITIME_HY的博客
09-20 1385
点击蓝字关注我们AI TIME欢迎每一位AI爱好者的加入！余兆宁：爱荷华州立大学博士生，导师为Hongyang Gao教授，主要研究方向为图深度学习，可解释性分析。主页：https://zhaoningyu1996.github.io/图神经网络已广泛用于分子图的特征表示学习。然而，大多数现有方法单独处理分子图，忽略分子图之间的关联，例如通过共有子图（motif）建立的关系。针对这个问题， 我们...
MM-Deacon：基于对比预训练的多语言分子表征学习
qq_45331246的博客
10-08 1488
ACL2022、分子预训练、IUPAC+SMILES、对比学习
带你读论文：分子图表示学习
deep_revealer的博客
12-07 1910
论文：《Hierarchical Inter-Message Passing for Learning on Molecular Graphs》 背景介绍： 分子图表示学习：一般来说，我们所使用的一些方法是对一个图中的结点或者边进行表示学习，学习出他的embedding，而分子图表示学习是指学习出一整个分子图的embedding。 分子图表示学习的意义： 1.对于分子特征或者功能学习有重要意义 2.对于我们当前的一些任务，使用SMILES等方式来表示分子结构或者序列，丢失信息较多，有时SMILES等特征发
基于化学反应感知的分子表征学习
白景屹的博客
12-11 3570
目录概述背景概述方法概述方法结构分子编码器化学反应等价性策略训练方法实验结果化学反应预测分子性质预测图编辑距离预测embedding可视化解释具体的化学反应类型总结 概述 背景概述 本篇文章来自"CHEMICAL-REACTION-AWARE MOLECULE REPRESENTATION LEARNING"，送审ICLR2022。 分子表征学习（Molecule representation learning，MRL）旨在将分子嵌入到实向量空间中。现有的基于SMILES（简化分子线性输入系统）或GNN的M
分子表示学习与性质预测综述
白景屹的博客
10-15 5283
参考文章：计算机辅助药物设计（CADD，computer-aided drug design）近年来发展迅速。有效的分子表示（molecular representation）和准确的性质预测（property prediction）是CADD工作流程中的关键任务。在这篇综述中，作者总结了当前深度学习（deep learning）方法在分子表示和性质预测方面的应用。作者根据分子数据的格式（1D、2D和3D）对深度学习方法进行了分类。
基于机器学习的高能化合物分子设计与性质预测.pdf
09-02
【高水平】基于机器学习的高能化合物分子设计与性质预测-天津大学硕士论文2020，超过130页
云计算-基于云计算技术的化合物相似性分析系统.pdf
07-02
云计算-基于云计算技术的化合物相似性分析系统.pdf 云计算技术在化合物相似性分析系统中的应用，是一种新兴的研究领域。本文研究了云计算技术在化合物相似性分析系统中的应用，探索了分布式数据处理编程模型...
【读文献】3D Infomax 小分子预训练模型
草鸟的博客
09-01 2022
小分子预训练模型
ICLR2023|一个泛用的3D分子表示学习框架
AITIME_HY的博客
07-04 690
欢迎向本公众号投稿文献解读类原创文章，投稿邮箱：1298332329@qq.com，请用markdown格式写稿件，以附件形式发送。海内外招生、访学、招聘等稿件，请联系微信：17067431029。作者 |黄　锋审核 | 付海涛 今天给大家介绍一篇深势科技发表于ICLR2023的论文“Uni-Mol: A Universal 3D Molecular Representation Learnin...
MIT博士论文《用于药物发现的分子图表示学习和生成》
qq_39889473的博客
06-29 730
探索了一种用于分子表示的变压器式架构，远离传统的图神经网络范式，提供了将这些模型应用于图形结构对象的新工具。
3D Infomax | 改进GNN + 分子性质预测
最新发布
XANTAR____RES的博客
10-18 418
首先，可以细看下面的图，其中从对比的角度来分析了之前的GNN方法和本文提出的GNN方法的思路。3D Infomax的大致思路即，使用一个2D GNN学习序列特征，和一个3D GNN学习结构特征，然后学习两个模型输出的feature vector之间的mutation information（MI）；其中，3D分子图结构是在许多任务中必需的一类数据，但目前的3D数据远远不够。因此，本文提出使用已知的3D分子数据库来预训练一个模型，基于其中的2D分子图，来推测其几何特征。
3D信息的分子图自监督表示学习 PRE-TRAINING MOLECULAR GRAPH REPRESENTATION WITH 3D GEOMETRY
tagagi的博客
10-20 1899
原文地址：https://wyliu.com/papers/GraphMVP.pdf 摘要 分子图表示学习是现代药物和材料发现中的一个基本问题。 分子图通常由其二维拓扑结构来建模，但最近发现三维几何信息在预测分子功能方面起着更为重要的作用。 然而，现实场景中3D信息的缺乏严重阻碍了几何图形表示的学习。 为了应对这一挑战，我们提出了GraphMVP(Graph Multi-View Pre-Training)框架，该框架利用2D拓扑结构和3D几何视图之间的对应和一致性来执行自监督学习(SS...
学术速运|基于多模态信息的分子联合表示学习
weixin_45468600的博客
12-05 321
​题目：Molecular Joint Representation Learning via Multi-modal Information文献来源： https://doi.org/10.48550/arXiv.2211.14042代码：无简介：近年来，人工智能在加速药物研发的整个过程中发挥了重要作用。 开发了各种不同模态的分子表示方案(如文本序列或图)。通过数字编码 他们可以通过相应的网络结构来学习不同的化学信息。分子图和简化图 分子输入线输入系统(SMILES)是目前分子表示学习的常用方法。以前的作
Nat. Mach. Intell2021 | MolCLR+：基于GNN的分子表征对比学习
justBeHerHero
11-22 1969
Molecular Contrastive Learning of Representations via Graph Neural Networks
以型搜型｜神经搜索赋能3D模型搜索新突破
Jina AI 的博客
02-23 627
????‍????作者：黎海威，YAHAHA 高级软件工程师假设你想在你的游戏中使用一匹白龙马的 3D 模型。之前，你可以 1. 自己用复杂的 3D 建模软件，或者多视角的拍摄制作；2. 去浩如烟海的资源库里去逐一细分使用场景、风格、特征等进行查找、比较、挑选...但现在，有了基于神经搜索技术开发的 3D 模型资源库 Asset Ovi 的帮助，你可以轻松地上传 3D 模型来搜索 3D 模型，或者点击现有展...
Molecular Contrastive Learning of Representations via Graph Neural Networks
小菜鸡
04-05 3295
MolCLR:一个用于分子表征学习的自监督框架 作者： Yuyang Wang1,2, Jianren Wang3 , Zhonglin Cao1 , and Amir Barati Farimani1,2,4,* 1Department of Mechanical Engineering, Carnegie Mellon University, Pittsburgh, PA 15213, USA 2Machine Learning Department, Carnegie Mellon Universit
评论 3
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

loong_XL

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