一个以知识为导向的预培训框架,以改善分子表示学习
Han Li1, Ruotian Zhang1, Yaosen Min1
1Institute for Interdisciplinary Information Sciences, Tsinghua University, 100084, Beijing, China.
本研究介绍了KPGT (Knowledge-guided Pre-training of Graph Transformer) 的知识导向预训,这是一个用于分子表示学习的新框架. 通过克服当前图形神经网络预训练方法的局限性,KPGT提高了药物发现的分子性质预测.
科学领域:
- 计算化学是一种计算化学.
- 人工智能在药物发现中的作用
- 机器学习用于分子性质预测和预测.
背景情况:
- 有效的分子特征表示对于药物发现至关重要.
- 使用自主监督学习的预训图形神经网络 (GNN) 解决了分子性质预测中的数据稀缺问题.
- 现有的自我监督方法面临挑战,原因是策略不清楚,GNN能力有限.
研究的目的:
- 提出以知识为导向的图形转换器预培训 (KPGT),一个自我监督的学习框架.
- 为了生成可概括和强大的分子表示.
- 克服当前自我监督学习方法对分子性质预测的局限性.
主要方法:
- 开发了KPGT,集成了一个针对分子图形量身定制的图形变压器.
- 采用以知识为导向的预训练策略来捕获分子结构和语义知识.
- 在63个数据集中利用了广泛的计算测试.
主要成果:
- 在不同领域预测分子性质方面,KPGT表现出卓越的性能.
- 该框架成功地确定了抗瘤标 (HPK1和FGFR1) 的潜在抑制剂.
- 与现有方法相比,KPGT提供了增强的分子表示.
结论:
- KPGT为推进人工智能辅助药物发现提供了一个强大的工具.
- 该框架有效地捕获分子中的结构和语义信息.
- KPGT显示了其实际适用性,并证实了其在识别候选药物的有用性.
更多相关视频
09:34A Virtual Machine Platform for Non-Computer Professionals for Using Deep Learning to Classify Biological Sequences of Metagenomic Data
Published on: September 25, 2021
07:08Optimization of Synthetic Proteins: Identification of Interpositional Dependencies Indicating Structurally and/or Functionally Linked Residues
Published on: July 14, 2015
相关概念视频
Predicting Molecular Geometry
Molecular Models
Fischer Projections
Molecular Shapes
Two regions of electron density in a diatomic...
Predicting Reaction Outcomes
Newman Projections
The organic molecules rotate across the single bonds leading to numerous temporary three-dimensional structures of varying energy known as...
