【bioinformation 12】基于深度学习的分子性质预测算法研究及应用

🌞欢迎来到AI+生物医学的世界 
🌈博客主页：卿云阁

💌欢迎关注🎉点赞👍收藏⭐️留言📝

🌟本文由卿云阁原创！

🌠本阶段属于练气阶段，希望各位仙友顺利完成突破

📆首发时间：🌹2024年3月22日🌹

✉️希望可以和大家一起完成进阶之路！

🙏作者水平很有限，如果发现错误，请留言轰炸哦！万分感谢！

---

目录

分子特征提取

特征提取

研究现状

FP-GNN

CDK9抑制剂的发现

多任务设计

HiGNN

图神经网络通用框架 —— MPNN消息传递神经网络

分子片段

特征初始化

评测结果：

---

分子特征提取

特征提取

研究现状

---

FP-GNN

链接: https://pan.baidu.com/s/1LWBoCnfcVzGZnEkGprBxYQ?pwd=wyy8

提取码: wyy8

给定一个分子，模型会接受这个分子几个方面的信息。

分子图注意网络：分子图的信息，通过图注意网络抓取重要信息，绘制成一个向量。

先验知识神经网络（ RNN）：使用了三个混合指纹，代表不同的信息。

自适配深度注意力神经网络：把两个信息进行融合

算法评估，在13个公共数据集上进行测试，BASE是一个抗衰老的靶点，HIV是一个偏向于细胞感染的。

                     Mixed FP中蕴藏的信息更能与分子图的信息互补

模型抗噪音能力

模型的可解释性

---

CDK9抑制剂的发现

Ligand- and structure-based identification of novel CDK9 inhibitors for the potential treatment of leukemia

---

多任务设计

---

HiGNN

图神经网络通用框架 —— MPNN消息传递神经网络

分子片段

任何化学分子都可以根据16种可合成的化学键环境，断开可合成的单键，产生分子片段。

特征初始化

HiGNN将额外的药效团、分子骨架信息编码进入分子图

评测结果：

分类任务

回归任务

消融实验

注意力分数可视化

可解释性