基基:知识导向图表 自主监督学习以提高分子性质预测.
Van-Thinh To1, Phuoc-Chung Van Nguyen1, Gia-Bao Truong1
1Faculty of Pharmacy, University of Medicine and Pharmacy at Ho Chi Minh City, 41 Dinh Tien Hoang, District 1, Ho Chi Minh City 700000, Vietnam.
这项研究引入了用于分子性质预测的知识导向图 (KGG) 框架. KGG使用具有轨道特征的自我监督学习,有效地增强图形神经网络 (GNN) 模型,即使数据有限.
科学领域:
- 计算化学是一种计算化学.
- 机器学习在药物发现中的作用
- 材料科学 信息学 信息学
背景情况:
- 图形神经网络 (GNN) 在分子表示学习方面表现有前途.
- 挑战包括数据稀缺性和有限的概括性,因为昂贵的标签数据采集.
- 当前的GNN通常缺乏全面的化学领域知识,例如轨道信息,在它们的初始特征中.
研究的目的:
- 为了解决GNN中数据稀缺性和特征限制,用于分子性质预测.
- 引入一个新的知识导向图 (KGG) 框架.
- 使用轨道信息的特征提高分子性质预测的效率和准确性.
主要方法:
- 开发了一个知识导向图 (KGG) 框架,利用自我监督学习.
- 预训练模型使用轨道级特征来减少对广泛标记数据集的依赖.
- 为原子杂交和结合轨道接触的键类型提出了新的表示方法.
- 在ZINC15数据集中的大约25万个分子上使用了具有成本效益的预训练策略.
主要成果:
- 在各种下游分子性质预测任务上,KGG框架显著超过了最先进的基线.
- 证明了数据效率,与当代方法相比,预训练需要更少的分子.
- t-SNE可视化和与传统分子指纹的比较验证了该方法的有效性和稳定性.
结论:
- 通过轨道信息表示,KGG框架提供了数据效率和架构多功能性.
- 它有效地从适度的数据集中提取化学知识,避免了广泛的预训练.
- 该方法在低数据微调方面表现出色,为药物发现和材料科学中的各种GNN架构提供了坚实的基础.
更多相关视频
05:47Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems
Published on: June 13, 2025
06:50Author Spotlight: A Computational Approach to Decipher Amino Acid Preferences in Multispecific Protein-Protein Interactions
Published on: January 26, 2024
相关概念视频
Predicting Molecular Geometry
Molecular Geometry and Dipole Moments
Molecular Models
Ligand Binding Sites
Protein-ligand interactions are quite specific; even though numerous potential ligands surround a cellular protein at any given time, only a particular ligand can bind to that protein. Moreover, a ligand binds only to a dedicated area on the surface of the protein, known as the...
Ligand Binding Sites
Predicting Reaction Outcomes
