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

已于 2024-03-22 14:34:47 修改
阅读量2.3k 收藏 23
点赞数 11
分类专栏： AI+生物医药 文章标签： 深度学习 人工智能
于 2024-03-22 14:25:31 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/zzqingyun/article/details/136914422
版权
本文探讨了分子特征提取技术，特别是FP-GNN和HiGNN在药物研发中的应用，介绍了如何利用图神经网络处理分子信息并发现CDK9抑制剂。文章还涉及多任务设计和模型的可解释性评估。

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

🌞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

基因数据分析主流软件与基因预测方法步骤-搬运工
weixin_34275734的博客
03-03 3276
源自：http://www.bbioo.com/lifesciences/40-114214-1.html 1. 基因数目预测的主流软件 　　GENSCAN就是一个经典的基因预测软件。1996年由MIT的Chris Burge开始编写这个软件程序。当时，Burge的许多同事主张采用比较的方法，他们随机选取一个最新测序基因组中基因的DNA序列，与数据库中已存在的基因进行联配。但是Chris Bu...
python 生物信息学_生物信息学算法之Python实现
weixin_42376793的博客
02-03 2522
众所周知 基因组的核酸链不可能是随机形成的。有时候许多物种基因组之间 存在一些保守序列 motif 这意味着它们可能具有重要功能。但是 我们如何确定这些序列不是随机形成的 DNA 片段呢一个常识是 越短的序列越容易随机形成 越长的序列众所周知，基因组的核酸链不可能是随机形成的。有时候许多物种基因组之间，存在一些保守序列(motif)，这意味着它们可能具有重要功能。但是，我们如何确定这些序列不是随机...
基于深度学习的化学分子属性预测
weixin_42605076的博客
07-25 1690
基于深度学习的化学分子属性预测是利用深度学习技术来预测化学分子的物理、化学和生物学属性。这些属性可以包括分子的溶解度、毒性、生物活性、稳定性等。该领域在药物发现、材料科学、环境科学等方面有广泛应用。
【机器学习】Datawhale-AI夏令营分子性质AI预测挑战赛-基础
霍喜猫的博客
06-30 1428
分子性质AI预测挑战赛要求选手根据提供的demo数据集，可以基于demo数据集进行数据增强、自行搜集数据等方式扩充数据集，并自行划分数据。运用深度学习、强化学习或更加优秀人工智能的方法预测PROTACs的降解能力，若DC50>100nM且Dmax
几何扩散模型用于分子构象生成ICLR2022
白景屹的博客
04-08 1257
GEODIFF
分子性质预测预训练模型 + code使用方法
Drug discovery
12-14 2845
Pre-train model
Bioinformatics2021 | FraGAT+：基于分子原始片段的多尺度图注意力机制的分子性质预测模型
justBeHerHero
11-24 1712
Bioinformatics2021 | FraGAT：基于分子原始片段的多尺度图注意力机制的分子性质预测模型
Bioinformatics2019 | FP2VEC+：基于新分子特征的分子性质预测
justBeHerHero
11-24 1444
Bioinformatics2019 | FP2VEC+：基于新分子特征的分子性质预测
public-bioinformatics-datasets:用于生物信息学和综合组学研究的公开数据集
06-10
用于生物信息学和综合组学研究的公开数据集（进行中） 基因组学 转录组学 → 表观基因组学 临床和医疗保健 iDash 数据存储库（有多个数据集） i2b2 NLP 数据集 医学线 癌症的监测、流行病学和最终结果 (SEER) ...
Traceback (most recent call last): File "D:\bioinformation\AutoDock\mgltools\lib\site-packages\ViewerFramework\VF.py", line 941, in tryto result = command( *args, **kw ) File "D:\bioinformation\AutoDock\mgltools\lib\site-packages\AutoDockTools\autostartCommands.py", line 964, in doit ps = subprocess.Popen(args) File "D:\bioinformation\AutoDock\mgltools\lib\subprocess.py", line 710, in __init__ errread, errwrite) File "D:\bioinformation\AutoDock\mgltools\lib\subprocess.py", line 958, in _execute_child startupinfo) WindowsError: [Error 2]
03-09
好的，我现在需要解决用户提到的在Python中使用subprocess.Popen调用子进程时出现的WindowsError: [Error 2]的问题。首先，我要理解这个错误的原因。根据经验，WindowsError 2通常意味着系统找不到指定的文件或路径...
Genome Microsatellite Analyzing Tool:GMATO：适用于任何大小的巨大基因组的微卫星分析工具-开源
06-29
Genome-wide Microsatellite Analyzing Tool (GMATo) 是一个新的强大的程序，用于更快地挖掘任何长度、任何大小的 SSR，以及基因组方面的全面统计分析，专为基于 Perl 脚本的巨大基因组而设计。 只需要一个输入文件...
【综述】分子表示与性质预测中的深度学习方法
qq_45331246的博客
10-09 8297
Drug Discovery Today、分子性质预测综述
IJCAI2023 | A Systematic Survey of Chemical Pre-trained Models（化学小分子预训练模型综述）
justBeHerHero
05-03 2070
IJCAI2023 | A Systematic Survey of Chemical Pre-trained Models（化学小分子预训练模型综述）
2022 ICLR | Geodiff:分子构象几何扩散生成模型
发呆的比目鱼的博客
09-03 1578
2022 ICLR | Geodiff:分子构象几何扩散生成模型
干货！小样本分子性质预测新方法——性质感知的关系网络
AITIME_HY的博客
05-10 1725
点击蓝字关注我们AI TIME欢迎每一位AI爱好者的加入！分子性质预测能够识别具有目标性质的候选分子，在药物发现中发挥着重要作用。由于新药发现研究中已知药理性质的分子(有标签样本)少，分子性质预测本质上是一个小样本问题，很难使用常规的机器学习方法解决。在已有的小样本的分子性质预测研究中，现有工作常直接使用小样本学习的经典方法，但是忽视了分子性质预测问题的特性，即在不同性质...
深度学习-数值稳定性和模型初始化
最新发布
fantasy_ARM9的博客
04-24 319
到目前为止，我们实现的每个模型都是根据某个预先制定的分布来初始化模型的参数，有人会认为初始化方案时理所当然的，忽略了如何做出这些选择的细节，甚至有人可能会觉得，初始化方案的选择并不是特别重要，实际上，初始化方案的选择在神经网络学习中起着举足轻重的作用，保持数值稳定性至关重要。换而言之，该剃度是L-1 个矩阵M(L) ... M(l + 1) 与梯度向量v(l)的乘积。遗憾的是，这会使上面的问题更为严重，矩阵M可能是各种各样的特征值，可能很小，也可能很大，而他们的乘积可能非常大，也可能非常小。
基于深度学习Yolo8的驾驶员疲劳与分心行为检测系统
XiaoCoder的博客
04-23 235
③：技术栈：Python、PySide6、OpenCV、YOLOv8、Matplotlib、NumPy。②：开发环境：Python3.8+、PyCharm/VSCode。①：疲劳检测：眨眼频率监测、哈欠检测、Perclos模型评分。②：分心行为识别：手机使用检测、抽烟行为检测、喝水行为检测。④：数据统计：行为数据可视化、疲劳指标统计、数据导出功能。①：系统环境：Windows/Mac/Linux。③：实时监控：摄像头实时画面显示、状态实时更新。【三】疲劳检测模型与行为分析统计。
2025-04-22 李沐深度学习5 —— 线性回归
zheliku的博客
04-22 1354
​ 在美国买房时，买家需根据房屋信息（如卧室数量、卫生间数量、面积等）预测合理的成交价。输入数据：房屋特征（如X1=卧室数X2=卫生间数X3=面积输出目标：预测成交价Y。实际挑战：卖家的标价和网站估价（如Redfin）仅为参考，最终需通过竞价决定成交价，因此准确预测至关重要。​ 计算输入特征X\mathbf{X}X和模型权重w\mathbf{w}w的矩阵-向量乘法后加上偏置bbb。​ 注意，上面的XwXw是一个向量，而bbb是一个标量。
RNN的理解
olssa的博客
04-20 908
注：生成的 W_xh 会是一个形状为 (4, 3) 的张量，可能是这样的（数字是随机生成的）：这个张量有 4 行 3 列。注：x 是输入数据，形状是 (3, 5, 4)，其中：3 是批量大小（batch_size），即我们一次性输入网络的样本数是 3。5 是序列长度（seq_len），每个样本有 5 个时间步。4 是每个时间步的输入特征数量。self.hidden_size 假设是 6，表示隐藏层的维度是 6。
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

打赏作者

卿云阁

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