化学语义的光谱分解为活动悬崖-意识到分子性质预测.
Chaoyang Xie1, Junhu Xu2, Guangyi Huang3
1State Key Laboratory of Public Big Data, College of Computer Science and Technology, Guizhou University, Guiyang, China.
PrismNet是一种新的深度学习模型,通过从多种化学角度分析分子特性来增强药物发现. 这种方法提高了预测准确性和可解释性,解决了当前方法的局限性.
科学领域:
- 计算化学是一种计算化学.
- 化学信息学 化学信息学
- 机器学习在药物发现中的作用
背景情况:
- 准确预测分子性质对于有效的药物发现至关重要.
- 目前的深度学习模型在多层次的化学推理和识别"活动悬崖"方面扎.
- 现有的方法往往无法捕捉分子支架,功能组和药理体之间的相互作用.
研究的目的:
- 介绍PrismNet,一个光谱图形网络,旨在模仿化学直觉,以改进分子性质预测.
- 解决药物发现深度学习中单图形方法的局限性.
- 开发一种化学解释的模型,用于可靠的in silico选.
主要方法:
- PrismNet采用双分解策略,从脚手架,功能组和药视角分析分子.
- 分子通过计算"折射"到这些视角中,并分解为光谱频率.
- 使用动态学习策略来有效处理异质数据.
主要成果:
- 在64个基准数据集上,PrismNet实现了最先进的性能,其中包括30个专门的活动悬崖数据集.
- 该模型展示了化学可解释的预测,确定了与结构-活动关系相关的关键子结构.
- 该框架成功地统一了多级化学语义和光谱分解.
结论:
- PrismNet在预测药物发现的分子性质方面取得了重大进展.
- 它能够整合多样化的化学信息并提供可解释的结果,提高了对in silico选的信任.
- 谱图网络方法为计算化学家和药物开发人员提供了一个强大的新工具.
更多相关视频
08:17A Semantic Priming Event-related Potential ERP Task to Study Lexico-semantic and Visuo-semantic Processing in Autism Spectrum Disorder
Published on: April 12, 2018
08:04Excitonic Hamiltonians for Calculating Optical Absorption Spectra and Optoelectronic Properties of Molecular Aggregates and Solids
Published on: May 27, 2020
相关概念视频
Predicting Molecular Geometry
Physical and Chemical Properties of Matter
Synthesis and Decomposition Reactions
Urine: Physical and Chemical Properties
The concentration of these solutes varies, with urea being the most abundant nitrogenous waste product. Other solutes include sodium, chloride, potassium, phosphate,...
Self-Awareness and Its Effects
Kinetic Molecular Theory and Gas Laws Explain Properties of Gas Molecules
