CGVAE -＞ Delinker -＞ DeepCoy

最新推荐文章于 2024-10-10 18:58:12 发布
最新推荐文章于 2024-10-10 18:58:12 发布
阅读量467 收藏 2
点赞数
分类专栏： AI Drug Discovery 文章标签： 深度学习 drug discovery CADD
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/zdx1996/article/details/120674069
版权

2021年发表的DeepCoy 是通过深度生成模型来生成 decoy 分子，其使用模型源自于同一作者Fergus Imrie 在2020年发表的Delinker, 能够进行 Fragment-based 药物生成。而 Delinker 模型又源自于 微软 在 NeurIPS 2018 发表的 CGVAE.

  1. CGVAE
    pdf
    github

  2. Delinker
    pdf
    github

  3. DeepCoy
    pdf
    github

DeepCoy 与 Delinker的区别在于 输入数据以及生成的目标不同。

DeepCoy 的目标在于，给定一个 活性分子(active)，模型可以生成一个新分子，该分子具有与给定的active相似的物化性质, 但是结构上不相似。

模型的生成过程，在给定的一堆原子中，去一个一个的去生成键。生成过程中，可以控制最大的重原子个数，或者含有特定的原子以及子结构.

周迪新
关注
专栏目录
图神经网络实战（17）——深度图生成模型
盼小辉丶的博客
07-18 1522
图生成是生成新图的技术，并且希望所生成的图具有真实世界中图的性质。由于传统图生成方法缺乏表达能力，因此提出了更加灵活的基于图神经网络的技术。本节中，我们介绍了三类深度图生成模型： 基于变分自编码器的模型、基于自回归模型和基于生成对抗网络的模型。
python 深拷贝deepcoy
翔云
08-26 550
python 中的变量定义简单，直接赋值即可使用。但是也存在很多坑，就像listl列表和dict字段这类数据结构的拷贝问题。问题定义列表a，查看其地址>>> a=[1,2,3] >>> id(a) 46832520L将a赋值给b，并查看地址>>> b=a >>> id(b) 46832520L可以看到，a,b的指向同一块内存。 接着， 对b附加元素>>> b.append(4) >>> print
微软约束图变分自编码器（CGVAE）实战指南
gitblog_00187的博客
08-23 229
微软约束图变分自编码器（CGVAE）实战指南 constrained-graph-variational-autoencoderSample code for Constrained Graph Variational Autoencoders项目地址:https://gitcode.com/gh_mirrors/co/constrained-graph-variational-autoenco...
利用CGVAE进行分子设计：智能优化化学领域的未来
gitblog_00060的博客
05-29 283
利用CGVAE进行分子设计：智能优化化学领域的未来 constrained-graph-variational-autoencoderSample code for Constrained Graph Variational Autoencoders项目地址:https://gitcode.com/gh_mirrors/co/constrained-graph-variational-autoe...
分子骨架跃迁工具-DeLinker介绍
wufeil7的博客
07-24 1929
DeLinker是一个既可以实现分子骨架跃迁又可以实现分子连接的AI方法。这里对该方法，进行实应用测检验，顺便做了DeLinker在分子骨架跃迁中应用部分的代码分析。
Python随记（四）列表复制 之 直接赋值 浅拷贝copy 和 深度拷贝deepcoy的分析
朝花&夕拾
01-24 781
Python随记（四）列表复制 之 直接赋值 浅拷贝 和 深度拷贝的分析 我的平台：Uabantu16.04+python3.6 1.三者简述 a. 直接赋值： 用等号 = ，其实就是对象的引用 b.浅拷贝： 用copy( )，拷贝父对象，但是不会拷贝内部子对象 c.深度拷贝： 用deepcopy,是采用的模块copy中的deepcopy方法，完全拷贝父对象和子对象
关于python copy的deepcoy的理解
alex_i的博客
04-15 268
>>> dict = {'1':{'2':{'3':'4'}}} >>> import copy >>> equal_dict = dict >>> copy_dict = copy.copy(dict) >>> deepycopy_dict = copy.deepcopy(dict) >>&g...
Python-copy()与deepcopy()区别
热门推荐
枕2畔雪的博客
08-12 17万+
最近在实习，boss给布置了一个python的小任务，学习过程中发现copy（）和deepcopy（）这对好基友实在是有点过分，一开始还相爱着呢，不知道怎么回事就开始相杀了。 搞的博主就有点傻傻分不清啊，但是呢，本着一探到底的极客精神，还是要查资料搞清楚这对好基友的区别。 其实呢，copy()与deepcopy()之间的区分必须要涉及到python对于数据的存储方式。 首先直接上结论：
python中copy和deepcopy（浅拷贝与深拷贝）的区别
有你真好的博客
10-10 3886
一、copy（浅拷贝） 1、复制不可变数据类型（int、string、tuple）的时候，无论是copy（浅拷贝）、deepcopy（深拷贝）或者“=” 的地址都与原对象id地址一样 代码： import copy # 不可变类型（int、string、tuple） a = "你好" b = a c = copy.copy(a) # 浅拷贝 d = copy.deepcopy(a) # 深拷贝 print("a的原地址", id(a)) print("a的赋值地址b", id(b)) pr.
python copy.deepcoy(x) 深拷贝对象失败，还是在修改一个对象属性
Recar的博客
09-04 946
遇到一个问题，每次都要动态实例出来一个类。然后修改类的属性， 再次调用类的方法返回一个值。是一个循环的，多次修改，于是这里使用了深拷贝，以为这样就不是修改一个对象了。 确实不是修改一个对象，打印出来的确实是不一样的对象。 但是还是输出多次修改一个对象的属性。为什么呢？ 原来我修改的是类的属性，不是实例属性，将其属性值改为 init 下self的并赋值就好了。 这个真的是我基础没打牢...
Python 中的深拷贝deepcopy与浅拷贝copy
be5yond的博客
08-01 1117
Python中的赋值语句不会创建一个新对象，它们只是将一个新的变量名称指向原来的对象。 In [1]: a = [1,2,3] In [2]: b = a In [3]: b Out[3]: [1, 2, 3] In [4]: b is a Out[4]: True 此时，如果原对象a发生变化， 便量b也同步收到影响。 In [5]: a.append(4) In [6]: b Out[6]: [1, 2, 3, 4] 制作拷贝 如果想要生成一个新的对象， 可以使用构造函数 In
Python---copy()、deepcopy()与赋值的区别
飘过的春风
11-22 11万+
copy()与deepcopy()之间的主要区别是python对数据的存储方式。 首先直接上结论： —–我们寻常意义的复制就是深复制，即将被复制对象完全再复制一遍作为独立的新个体单独存在。所以改变原有被复制对象不会对已经复制出来的新对象产生影响。 —–而浅复制并不会产生一个独立的对象单独存在，他只是将原有的数据块打上一个新标签，所以当其中一个标签被改变的时候，数据块就会发生变化
AAAI | 深度生成模型—NEVAE
DrugAI
08-28 1906
今天给大家介绍的是印度理工学院Niloy Ganguly教授课题组在AAAI2019发表的一篇关于分子生成的论文。作者基于VAE提出一种新的分子图生成模型NEVAE，其编码器和解码器经过特殊设计，通过多种技术创新来解决目前生成模型存在的缺点。实验表明，与几种最新模型相比，NEVAE可以更有效地发现合理的、多样的和新颖的分子。比起基于贝叶斯优化和强化学习的几种最新方法，该优化解码器能够识别出高121％属性值的分子。 1 背景 药物设计旨在生成一组具有特定性质的分子，从而对患者的治疗产生作用。然...
181008 逆向-inctf(load3r、Decoy)
whklhhhh的博客
10-09 764
题目提示可知bin文件为bootloader 将其用IDA打开，选择16-bit模式加载，即可看到反汇编出的程序 由于IDA不支持16-bit的F5，所以只能读汇编 不过由于bootloader对长度有限制，必须为512字节以内，因此相对不是很复杂 多提一句，按空格可以转为graph模式，这个状态下可以看到代码块之间的跳转关系，非常方便 以 seg000:000B ...
【大模型理论篇】精简循环序列模型(minGRU/minLSTM)性能堪比Transformer以及对循环神经网络的回顾
源泉的小广场
10-06 961
RNN、精简RNN、minLSTM、minGRU、Transformer 、序列长度、并行化循环序列模型、 S4、Mamba 、Aaren、循环神经网络精简、大模型、计算加速，梯度弥散、BPTT、时间独立
深度学习：基于MindSpore实现ResNet50中药分拣
Landy_Jay的博客
10-07 1082
ResNet（Residual Network）是一种深度神经网络架构，由微软研究院的Kaiming He等人在2015年提出，并且在ILSVRC 2015竞赛中取得了很好的成绩。ResNet主要解决了随着网络深度增加而出现的退化问题，即当网络变得非常深时，训练误差和验证误差可能会开始上升，这并不是因为过拟合，而是由于深层网络难以优化。ResNet的核心思想是引入了残差学习框架来简化许多层网络的训练。通过构建“跳跃连接”或称“捷径连接”，允许一层直接与更深层相连接。
基于深度学习的复杂器官建模与模拟
weixin_42605076的博客
10-10 864
基于深度学习的复杂器官建模与模拟是一项前沿技术，它利用深度学习模型从大量医学图像和临床数据中提取信息，生成复杂器官的三维结构模型，并对其进行功能模拟。这项技术对于医学诊断、手术规划、药物开发和疾病研究有重要意义，特别是针对心脏、肝脏、肺等复杂器官。
《动手学深度学习》Pytorch 版学习笔记一：从预备知识到现代卷积神经网络
andrew_1219的博客
10-07 1059
笔者有一定的机器学习和深度学习理论基础，对 Pytorch 的实战还不够熟悉，打算入职前专项突击一下 本文内容为笔者学习《动手学深度学习》一书的学习笔记 主要记录了代码的实现和实现过程遇到的问题
机器学习、深度学习评价指标汇总：TP、TN、FP、FN、AP、mAP、IoU、mAP@3、Prec@10、 Acc@10
最新发布
buyaotutou的博客
10-10 635
真正例 (True Positive, TP)模型正确地将正类（例如，某种疾病存在）预测为正类的实例数量。假正例 (False Positive, FP)模型错误地将负类（例如，某种疾病不存在）预测为正类的实例数量。这通常被称为“误报”。真负例 (True Negative, TN)模型正确地将负类预测为负类的实例数量。假负例 (False Negative, FN)模型错误地将正类预测为负类的实例数量。这通常被称为“漏报”。真正例和真负例反映了模型的正确预测能力。假正例和假负例。
评论
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
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