DGCL:双图神经网络对比学习用于分子性质预测
Xiuyu Jiang1, Liqin Tan1, Qingsong Zou1
1School of Computer Science and Engineering, Sun Yat-sen University, Waihuan East Street, Guangzhou 510006, China.
本研究介绍了DGCL-MFP,这是一种用于分子性质预测的新型双图神经网络方法. 它通过将图形神经网络与混合分子指纹集成来提高现有方法的性能.
科学领域:
- 计算化学是一种计算化学.
- 机器学习 机器学习
- 药物发现 药物发现
背景情况:
- 分子性质预测对于药物发现和材料科学至关重要.
- 现有的图形神经网络 (GNN) 方法通常需要广泛的标记数据.
- 自主监督学习为克服数据限制提供了一个有希望的途径.
研究的目的:
- 开发一种先进的自我监督学习框架,用于分子性质预测.
- 通过整合对比学习和分子指纹来提高GNN的性能.
- 为了提高预测分子性质的准确性和效率.
主要方法:
- 拟议的DGCL-MFP,一个基于双图神经网络 (GNN) 的对比学习 (CL) 框架.
- 利用两个不同的GNN (图形同态网络和图形注意网络) 进行特征聚合和增强.
- 集成的预训练GNN功能与混合分子指纹 (MFPs) 用于下游物业预测任务.
主要成果:
- DGCL-MFP在多个基准数据集上实现了最先进的性能,超过了现有的自我监督学习模型.
- 在分类任务中平均表现增加了3.73%,在Lipo回归任务中改善了0.126.
- 废除研究证实了网络融合策略和MFP的有效性,并通过扩展连接指纹加权获得了进一步的收益.
结论:
- DGCL-MFP为分子性质预测提供了一种强大而有效的方法.
- 双重GNN,对比学习和MFP的整合显著提高了预测性能.
- 该框架显示了通过准确的分子性质预测加速药物发现和材料设计的潜力.
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
10:21Author Spotlight: Streamlining Protein Target Prediction and Validation via Molecular Docking and CETSA
Published on: February 23, 2024
相关概念视频
Predicting Molecular Geometry
Predicting Products: SN1 vs. SN2
With increased substitution on the alkyl halide,...
Predicting Reaction Outcomes
Molecular Geometry and Dipole Moments
Molecular Models
¹H NMR Chemical Shift Equivalence: Homotopic and Heterotopic Protons
