论文记录
文章平均质量分 70
coast_s
这个作者很懒,什么都没留下…
展开
-
几何量和物理量改善E(3)等变信息传递
来源:ICLR2022作者:Johannes Brandstetter, Rob Hesselink, Elise van der Pol, Erik J Bekkers, Max WellingJohannes Brandstetter, Rob Hesselink, Elise van der Pol, Erik J Bekkers, Max Welling参考链接:https://cloud.tencent.com/developer/article/1919990代码:https://gith原创 2022-03-30 10:35:36 · 602 阅读 · 0 评论 -
AutoDockFR:具有明确指定结合位点灵活性的蛋白质-配体对接研究进展
微信公众号参考链接:链接引用原文:Ravindranath, Pradeep Anand et al. “AutoDockFR: Advances in Protein-Ligand Docking with Explicitly Specified Binding Site Flexibility.” PLoS computational biology vol. 11,12 e1004586. 2 Dec. 2015, doi:10.1371/journal.pcbi.1004586https://原创 2022-03-24 20:22:57 · 2947 阅读 · 0 评论 -
三维分子图的球面信息传递
参考链接:微信公众号文章摘要:我们考虑3D分子图的表示学习,其中每个原子与3D中的空间位置相关。这是一个探索不足的研究领域,目前缺乏一个有原则的消息传递框架。在这项工作中,我们在球坐标系(SCS)中进行分析,以完全识别三维图形结构。基于这些观察,我们提出了球形消息传递(SMP)作为一种新颖而强大的3D分子学习方案。SMP极大地降低了训练的复杂性,使其能够在大规模分子上高效执行。此外,SMP能够区分几乎所有的分子结构,未发现的情况在实践中可能并不存在。基于对三维信息有意义的物理表示,我们进一步提出了用于三原创 2022-03-07 16:00:41 · 3686 阅读 · 0 评论 -
药物发现综述-04-反应与合成预测
01.反应和合成预测02.梅根:分子编辑图注意网络03.最大似然估计训练04.一种用于逆合成预测的图对图框架05.06.反应中心预测07.图形翻译08.实验09.超越二维图形到三维结构10.一致性预测11.传统方法12.机器学习方法13.一个两阶段的方法14.通过双层优化实现端到端的求解15.基于梯度场学习的力场预测16.17.挑战:3D旋转等效变形18.我们的解决方案:通过链规则进行梯度传播19.训练20.21.例子22.原创 2021-11-25 21:30:59 · 271 阅读 · 0 评论 -
药物发现综述-02-分子性质预测
01-分子性质预测2.神经消息传递网络3.消息传递的阶段4.读取函数5.自监督学习6.图神经网络的预训练策略7.图神经网络的预训练策略8.信息图:无监督的整个图表示学习9.信息图:无监督的整体图形表示学习10.半监督的图表示学习11.半监督的图表示学习12.总结...原创 2021-11-25 20:57:50 · 2681 阅读 · 2 评论 -
药物发现综述-01-药物发现概述
1.演讲者介绍唐健目前是蒙特勒尔学习算法研究所(Mila)的助理教授,该研究所专注于深度学习和强化学习,由图灵奖得主Yoshua Bengio领导,从2017年12月开始。他的研究重点是图形表示学习、图形神经网络、药物发现和知识图。他被提名为第一批加拿大CIFAR人工智能主席(CIFAR AI研究主席)。他是密歇根大学和卡内基梅隆大学的研究员。他曾在微软亚洲研究院担任研究员两年。他获得了ICML’14的最佳论文奖和WWW’16的最佳论文提名。王菲现任康奈尔大学威尔康奈尔医学院人口健康科学系健康信息学副原创 2021-11-25 20:43:38 · 1303 阅读 · 3 评论 -
基于可学习尺寸自适应分子亚结构的药物相互作用预测
来源:https://doi.org/10.1093/bib/bbab441源代码:https://github.com/kanz76/GMPNN-CS摘要:药物-药物相互作用(DDI)是指当两种或两种以上不相容药物同时服用时,对身体产生不良影响的相互作用。它们可能是由所涉及药物的化学成分引起的。我们介绍了门控信息传递神经网络(GMPNN),这是一种信息传递神经网络,它从药物的分子图表示中学习具有不同大小和形状的化学子结构,用于预测一对药物之间的DDI。在GMPNN中,边被视为控制消息传递流的门,因此以原创 2021-11-17 14:40:12 · 1709 阅读 · 0 评论 -
Transformer论文逐段精读
原文详细解读视频:https://www.bilibili.com/video/BV1pu411o7BE笔记: https://www.bilibili.com/read/cv13759416spm_id_from=333.788.b_636f6d6d656e74.47另一个模型讲解视频bilibili.com/video/BV1Di4y1c7Zmp=2&spm_id_from=pageDriver原创 2021-11-12 13:54:02 · 526 阅读 · 0 评论 -
零基础多图详解图神经网络
参考链接:https://www.bilibili.com/video/BV1iT4y1d7zPspm_id_from=333.999.0.01.前言:主要内容:构建一个图神经网络需要哪些模块,背后的思想是什么图的上一层的结点是由图的下一层的邻居结点构成的图形无处不在。研究人员已经开发了对图形数据进行操作的神经网络(称为图形神经网络,或GNN)十多年了。最近的发展提高了他们的能力和表达能力。我们开始在抗菌发现、物理模拟、假新闻检测、流量预测和推荐系统等领域看到实际应用。(图神经网络才刚刚开始应用)原创 2021-11-05 14:36:45 · 1627 阅读 · 0 评论 -
LMSOC:一种对社会敏感的预训练方法
文献地址:https://arxiv.org/pdf/2110.10319.pdf本文将社会语境(感觉有点像世界知识)考虑到了NLP的模型之中,基于时间和地理位置两个社会语境构建了数据集与基线对比,在MRR上的改进超过了100%。模型的实现非常简单,只是将社会语境信息用图的方法进行嵌入,然后将其简单粗暴地加到了BERT的输入中。...翻译 2021-11-01 10:45:59 · 88 阅读 · 0 评论 -
自监督学习与药物发现
原文参考链接药物发现是图神经网络一个比较成功的应用。本文研究分子图的自监督表示学习,并且取了一个很响亮的名字,GraphMVP。本文的主要思路是在3D几何信息帮助下预训练一个2D拓扑编码器,然后进行下游任务的微调。1.引入使用机器学习方法来进行药物发现的两大挑战:1.如何为分子图设计一个公共的潜在空间(即设计一个合适的编码器)2.如何构造一个目标函数来监督训练(即定义一个学习目标)本论文属于第二类:利用三维几何和二维拓扑之间的一致性来研究自我监督的分子表征学习。分子性质可以通过3D几何更好地预原创 2021-10-28 09:34:27 · 925 阅读 · 0 评论 -
《用于预测蛋白质-配体结合亲和力的结构感知交互图神经网络》
《用于预测蛋白质-配体结合亲和力的结构感知交互图神经网络》1.文章原标题与链接《Structure-aware Interactive Graph Neural Networks for the Prediction of Protein-Ligand Binding Affinity》原文链接2.简介药物发现通常依赖于蛋白质——配体结合亲和力的成功预测图神经网络(GNNS)能实现更好的亲和预测现有解决方案:**将蛋白质——配体复合物视为拓扑图数据本文改进:结构感知的交互图形神经网络1.原创 2021-08-25 16:00:37 · 3870 阅读 · 0 评论