检索结果-南通市图书馆

维普期刊数据库博看期刊

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于神经网络的分子性质预测算法研究进展

科学技术与工程 2023年第19期23卷 8061-8070页

作者：朱洪翔傅钰江李雪陈博中石化(大连)石油化工研究院有限公司大连116045

分子性质预测是材料化学领域的热点问题,基于第一性原理的计算方法虽然可以明确地描述体系中电子分布,但计算过程过于复杂,且计算复杂度随分子中原子增加呈指数级增长。近年来,随着相关研究的不断深入,涌现出多种多样的深度学习算法,将... 详细信息

分子性质预测是材料化学领域的热点问题,基于第一性原理的计算方法虽然可以明确地描述体系中电子分布,但计算过程过于复杂,且计算复杂度随分子中原子增加呈指数级增长。近年来,随着相关研究的不断深入,涌现出多种多样的深度学习算法,将算法分为基于多层感知机(multi-layer perceptron,MLP)和图神经网络(graph neural network,GNN)两大类及六个子类,研究不同算法的特点。分析表明,MLP类算法结构简单,算法扩展性有限,与分子内部结构关联度不高;相反,GNN类算法融合消息传递机制,将分子间相互作用转换为结点、边之间的特征传递,在各向评价指标中占优。目前,基于深度学习的分子性质预测算法正从MLP类算法向GNN类算法过度。最后,提出基于深度学习的分子性质预测算法未来在数据集、各向异性特征传递、指导材料科学与生命科学中的实际应用等方面的发展方向。

关键词：分子性质预测多层感知机图神经网络深度学习

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

改进傅里叶域转换的分子性质预测方法仿真

计算机仿真 2023年第1期40卷 505-509页

作者：唐渐刘玉清西南医科大学医学与信息工程学院四川泸州646000

生物信息分子交换过程存在复杂的量子互斥相互作用,使得分子性质预测难以实现。以图神经网络为基础,提出一种基于分子结构图数据的分子性质预测方法。将由顶点-边结构组成的不同种类图形数据作为神经网络输入,构建图神经网络;结合分子... 详细信息

生物信息分子交换过程存在复杂的量子互斥相互作用,使得分子性质预测难以实现。以图神经网络为基础,提出一种基于分子结构图数据的分子性质预测方法。将由顶点-边结构组成的不同种类图形数据作为神经网络输入,构建图神经网络;结合分子结构图的不规则特征与复杂性,利用傅里叶变换方法在图神经网络中引入谱卷积,完成节点的傅里叶域转换,得到图卷积神经网络。通过融合分子结构图、聚合原子邻域信息、更新原子结构,实现分子性质的预测。实验结果证明了所提方法具有高预测精度,且规模数据集处理能力较强,分子预测的泛化性与迁移性的优越性显著。

关键词：图卷积神经网络聚合更新内部传输机制分子结构图分子性质预测傅里叶变换

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

基于分子图预训练的分子性质预测算法研究

基于分子图预训练的分子性质预测算法研究

作者：滑紫旭浙江大学

学位级别：硕士

随着人工智能的发展,计算机辅助药物分子设计也取得了进一步发展,基于深度学习的分子性质预测开始被广泛研究且应用到药物研发流程中,但深度学习方法需要大量的湿实验对训练数据进行标注,所以在真实研发场景下,存在着训练数据短缺的问... 详细信息

随着人工智能的发展,计算机辅助药物分子设计也取得了进一步发展,基于深度学习的分子性质预测开始被广泛研究且应用到药物研发流程中,但深度学习方法需要大量的湿实验对训练数据进行标注,所以在真实研发场景下,存在着训练数据短缺的问题。使用自监督预训练的方法,可以使模型在不同任务之间进行迁移,提升标注数据短缺场景下的预测能力。因此,本文期望借助分子图预训练提升模型分子性质预测的能力。本文首先从改进预训练任务的角度出发,融合生成式和对比学习两种预训练任务,致力于结合它们的优点,提出了对比式图自编码器。然后,当前的预训练方法和模型并没有充分考虑使用现有药化领域知识进行增强,本文引入了分子骨架编码提升预训练方法的效果。本文方法可以简要总结如下:1.基于对比式图掩码自编码器的分子性质预测方法:当前用于提升分子性质预测能力的分子图自监督预训练方法中,生成式预训练通过重构任务,使模型能够将通用语义信息迁移到下游任务;对比学习预训练通过互信息最大化编码通用表征空间,使模型能够快速感知下游任务样本之间的差异。当前的研究大多从这两种任务本身的特性出发对预训练任务进行改进,没有考虑将这两种任务进行结合,使模型既能感知分子图的局部语义信息又能编码通用表征空间,因此本文提出对比式图自编码器融合这两种自监督预训练任务。为了充分发挥这两种任务的作用,方法还加入了动量更新策略和多任务损失权重动态调整策略。最终,相较于单独使用生成式方法和对比学习方法,本文方法表现出了更为均衡的效果,并在一些基准数据集上取得了领先地位。2.引入骨架知识的通用分子性质预测方法:在深度学习方法被应用前,药化学家已经提出了一些针对分子性质预测任务行之有效的领域先验知识,当前分子图预训练方法采用的模型大多为编码分子图拓扑结构的图神经网络,并没有引入领域先验知识,表达能力较弱。针对以上问题,本文设计了引入分子骨架编码的图变换网络将分子骨架结构这一可用于分子分类的先验知识加入预训练模型,并且分别设计了多任务掩码生成式预训练和基于图池化数据增强的对比学习预训练使模型通过预训练充分学习分子骨架知识和通用知识。在本文设置下,骨架编码能够有效提升两种预训练方法的效果而且本文方法与基线方法相比几乎在所有基准数据集上都取得了最佳效果。

关键词：分子性质预测图神经网络自监督预训练

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于三维图神经网络的分子性质预测研究

基于三维图神经网络的分子性质预测研究

作者：杨笑听中国科学技术大学

学位级别：硕士

分子性质预测是一种应用广泛的计算方法,涉及药物设计、材料开发、环境保护、食品安全等多个领域,是一项重要的基石性工作。传统分子性质预测方法存在计算精度和速度的矛盾,难以适应大型分子体系,无法处理大量的分子数据,预测结果存在... 详细信息

分子性质预测是一种应用广泛的计算方法,涉及药物设计、材料开发、环境保护、食品安全等多个领域,是一项重要的基石性工作。传统分子性质预测方法存在计算精度和速度的矛盾,难以适应大型分子体系,无法处理大量的分子数据,预测结果存在较大的误差和不确定性。随着机器学习和深度学习的发展,考虑到图结构与分子结构的相似性,基于图神经网络的分子性质预测方法逐渐成为主流。这些方法可以更好地处理分子结构的复杂性和高维特征,提高预测精度和效率。基于这一背景,本文提出了两种基于三维图神经网络的分子性质预测模型。针对化学分子的复杂结构,本文提出了一种基于异质消息传递机制的图神经网络模型以实现有机小分子的化学性质预测和分子构象的力场性质预测。该模型将分子建模为图结构,在节点间以不同类型的边分别保存化学分子的拓扑结构和立体结构信息,使模型具有识别相似分子结构的能力。在相互作用过程中,模型将分子图表示分为两张子图,并设计两种异质消息传递机制分别作用于不同子图。对于图的拓扑结构,模型使用主邻域聚合卷积方法聚合二维分子图;对于图中的立体几何信息,模型使用一种三维消息传递机制作用于三维完全图。两种方法交替迭代,并在图中的节点更新过程中实现信息融合。实验结果证明该模型可以适应不同类型数据集上的多种任务,在精度和迁移性上有明显优势,验证了所提方法的有效性。针对基于异质消息传递机制的图神经网络缺乏分子化学信息表示的问题,本文对该网络进行改进,提出一种化学信息嵌入的图神经网络模型用于相同任务的分子性质预测。该模型提取分子中的化学知识信息作为分子图表示的补充,并提出以键能这一连续值区分离散信息相同的化学键结构。对于缺少键能标签的数据,本文提出使用基于化学反应过程的键能预测模型生成键能数据作为输入。对于化学视角信息的提取,本文设计探路者发现网络卷积模块生成边信息相关的图邻接矩阵。此外,本文针对特定任务的优化目标改进模型的损失函数,实现了模型训练难度的降低。不同类型的大量实验结果体现了异质信息的重要性,证明了化学信息嵌入的图神经网络模型的精度、鲁棒性以及小样本学习能力。

关键词：分子性质预测深度学习图神经网络图表示学习消息传递机制

基于层次信息图神经网络（HiGNN）的分子性质预测研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于层次信息图神经网络（HiGNN）的分子性质预测研究

作者：朱伟民华南理工大学

学位级别：硕士

分子性质(包括理化性质、生物活性、ADMET性质等)的精准预测是药物发现领域的核心主题之一,其在药物设计和发现中起着关键作用。随着药学、化学和生物学相关的实验数据量的不断增加以及人工智能技术的发展,人工智能辅助分子性质预测作... 详细信息

分子性质(包括理化性质、生物活性、ADMET性质等)的精准预测是药物发现领域的核心主题之一,其在药物设计和发现中起着关键作用。随着药学、化学和生物学相关的实验数据量的不断增加以及人工智能技术的发展,人工智能辅助分子性质预测作为一种新型的数据驱动计算方法引起了广泛的关注,并为药物研发提供了千载难逢的机遇。最近,图神经网络(Graph Neural Networks,GNN)在基于图的分子性质预测方面取得了显著进步。然而,当前基于图的深度学习方法忽略了分子的层次信息以及很少探索特征通道之间的关系。为了解决这两点问题,在本研究中,我们提出了一个精心设计的层次信息图神经网络框架(Hierarchical informative Graph Neural Network,Hi GNN),其通过同时利用分子图和片段信息来预测分子的性质。首先,我们借用了神经张量网络的思想在Hi GNN框架中设计了一个原子间相互作用的GNN编码块,进行分子特征提取。其次,我们在Hi GNN框架部署了一个即插即用的特征注意力块(Feature-wise Attention Block,FA),以在消息传递阶段之后自适应地重新校准原子特征。此外,我们经验性地使用了一种基于化学领域知识的分子切割算法BRICS(Breaking of Retrosynthetically Interesting Chemical Substructures),将分子切割成片段,然后将分子图和片段同时输入到GNN编码器以获取全局和层次信息。我们在涵盖物理化学、生物物理学、生理学性质和毒性的11个药物发现相关的基准数据集上系统地评估了Hi GNN模型的预测性能。实验表明,与所有基线模型相比,Hi GNN模型在11个基准数据集的14个学习任务中的10个任务上实现了最先进的性能。此外,详细的消融实验表明,BRICS信息和特征注意块都可以提高Hi GNN模型的预测性能。最后,我们提出分子-片段相似性机制来探索Hi GNN模型在子图级别的可解释性,案例分析表明Hi GNN有助于药物化学家识别分子的关键成分,从而设计出具有所需特性或功能的药物分子。此外,本文还将FA模块拓展应用到3D图神经网络Sch Net中。我们经验性地设计了几种FA模块的融合策略,并在QM9数据集中进行了评估。实验结果显示,FA模块作为一种特征自适应模块,可以显著提高模型的准确性。这表明,FA模块在处理3D分子数据时具有很大的潜力,并有望成为分子建模中的通用模块。Hi GNN模型和源代码已开源(https://***/idruglab/hignn),我们期望Hi GNN可以辅助并加速新药的发现。

关键词：人工智能辅助药物设计分子性质预测图神经网络分子片段特征注意力机制模型可解释性

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于机器学习的分子性质预测与生成技术研究

基于机器学习的分子性质预测与生成技术研究

作者：李林洁电子科技大学

学位级别：硕士

分子性质预测和分子生成是计算机辅助新药研发中的重要环节,可用于加快药物研发速度并节省研究成本。目前大多数高性能的分子性质预测模型和分子生成模型都是基于机器学习开发的,然而现有的方法都面临着许多问题与挑战。在分子性质预测... 详细信息

分子性质预测和分子生成是计算机辅助新药研发中的重要环节,可用于加快药物研发速度并节省研究成本。目前大多数高性能的分子性质预测模型和分子生成模型都是基于机器学习开发的,然而现有的方法都面临着许多问题与挑战。在分子性质预测任务中,当前表现较好的模型大多通过深度学习实现。但是这类模型依赖于大量的标记数据,而对分子性质进行准确标注既耗时又昂贵。为了在有限的标注成本下提升预测模型的性能,本文提出了一种预训练变分对抗主动学习方法(Pre-trained Variational Adversarial Active Learning,PREVAIL)筛选待标记分子。与以往的基于初始集随机采样的主动学习方法不同,PREVAIL通过深度聚类方法选择信息量最大的初始数据集,从而避免影响早期决策过程准确性的偏差。此外,PREVAIL使用任务感知变分对抗主动学习,将分子性质预测任务的损失信息合并到潜在空间中,同时适应分子的分布和预测任务的信息。在分子生成任务中,由于化合物复杂的结构和特性,而深度学习方法能够高效地提取复杂特征,因此大多数现有的分子生成模型基于深度学习开发。然而,这些模型都面临着标签的生成有效性和语义信息的问题。因此,本文提出了一种用于分子生成的交叉对抗学习方法(Cross Adversarial Learning for Molecular Generation,CRAG),CRAG结合了基于变分自编码器方法的真实性和基于生成对抗网络方法的多样性,以进一步利用分子的复杂特性。具体而言,CRAG使用对抗正则化自编码器将分子从简化的分子输入线性输入规范转换为离散变量。然后训练离散变量以预测分子性质,并通过投影梯度下降生成对抗样本。在分子的条件生成任务中,本文提出基于交叉对抗学习的条件生成模型(Cross Adversarial Learning for Conditional Molecular Generation,CCRAG)。CCRAG在本文提出的CRAG模型中加入预测器模块,通过计算互信息分离分子的潜在向量与性质信息,从而使CCRAG能够以特定性质为目标进行分子的生成与优化。本文提出的CRAG与CCRAG均通过对抗学习训练。本文提出的PREVAIL、CRAG和CCRAG在QM9数据集与ZINC数据集上进行了大量的实验,实验结果证明了本文所提出模型的先进性和有效性。因此本文提出的模型有望在各种化学应用中进行基于人工智能的分子设计,推动药物发现、材料科学等领域的发展。

关键词：分子性质预测分子生成深度聚类主动学习对抗学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于自监督学习的分子性质预测模型研究

基于自监督学习的分子性质预测模型研究

作者：崔迪黑龙江大学

学位级别：硕士

近年来,由于新型冠状病毒的影响,药物研发领域的关注度和投入显著增加。在这个过程中,分子性质预测的重要性日益凸显。这种预测不仅帮助科学家更准确地理解药物分子的行为,还能加速药物从实验室到市场的转化,从而对人类健康产生重要影... 详细信息

近年来,由于新型冠状病毒的影响,药物研发领域的关注度和投入显著增加。在这个过程中,分子性质预测的重要性日益凸显。这种预测不仅帮助科学家更准确地理解药物分子的行为,还能加速药物从实验室到市场的转化,从而对人类健康产生重要影响。随着科学技术的飞速进步,多种深度学习模型被开发并用于分子性质预测,为药物领域的研究和发展带来了新的机遇。然而,现有的深度学习方法在预测分子性质时主要依赖于有标签的数据。由于精确的分子标注需要高成本、复杂的实验,导致标注数据相对稀缺。这种数据的不足成为了准确预测分子性质的主要障碍。面对这一挑战,自监督学习方法展现了巨大潜力,它可以利用未标记的数据,在有限或无标签数据的情况下提高预测的准确性。基于此,本文提出了三种自监督策略来预测分子性质。首先,本文提出了一种基于双通道对比的分子性质预测模型Bi CL(Bichannel Comparative Learning)。第一个通道综合分析了一维SMILES序列和二维分子图,从两种不同的表示方法中提取信息进行对比,从而实现了对分子结构的全面理解。在第二个通道中,首先将分子图分解为片段。然后,利用注意力机制对这些片段嵌入进行处理,来构造分子的嵌入,并与原始分子图进行对比学习,有效捕获分子的局部与整体特征关系。Bi CL模型的创新之处在于,它能够从同一分子的不同维度和不同层面提取信息,实现全面的分子特性分析。在多个数据集的测试中,此模型展现出了优于现有模型的性能。其次,本文提出了一种基于对比-生成式的分子性质预测模型DPSL(DualPath Self-Supervised Learning)。此模型仍采用双通道策略。第一个通道采用对比学习,对一维SMILES序列与二维分子图的表征进行比较,从而获取分子的多维度特征。第二通道采用生成式学习方法,该通道首先将分子图细分为多个片段,并基于这些片段构建化学意义丰富的分子树。从分子树的某个节点开始,使用深度优先搜索(DFS)策略,逐步生成并学习分子树结构。DPSL模型整合了对比学习和生成式学习两种自监督机制,前者增强了对分子在不同表示形式上的理解,后者增强了对分子结构和合成路径的理解,共同提高了分子性质预测的准确性。在多个数据集的测试中,此模型展现出了优于现有模型的性能。最后,本文提出了一种基于分子片段与分子树对比的分子性质预测模型FTCL(Fragment-Tree Contrastive Learning)。该模型首先将分子图细分为多个片段,并利用强化学习为片段分配重要性得分,淘汰对分子性质预测影响较小的结构,保留关键片段,去除冗余信息。然后,基于这些片段构建分子树,其中分子树的每个节点代表分子图中的一个片段。分子树及其包含的节点之间构成正样本对,而分子树与来自其他分子树的节点则构成负样本对。通过对比学习,缩小正样本之间的距离,同时增大负样本之间的距离,以此加强模型对分子结构特征的区分能力。实验表明,FTCL在众多标准数据集上的性能超越了现有的先进方法,验证了模型的预测准确性。

关键词：分子性质预测深度学习自监督学习对比学习

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于子结构序列与拓扑图的分子性质预测

基于子结构序列与拓扑图的分子性质预测

作者：薛力源天津大学

学位级别：硕士

分子的性质预测任务,即根据分子的结构和组成预测出它的诸如水溶性、毒性等各项自身理化性质的任务,被广泛运用于药物发现、新材料研发等领域。近年来,机器学习方法越来越多地被用于分子性质预测任务,大大降低后期工艺失败的负荷,节省... 详细信息

分子的性质预测任务,即根据分子的结构和组成预测出它的诸如水溶性、毒性等各项自身理化性质的任务,被广泛运用于药物发现、新材料研发等领域。近年来,机器学习方法越来越多地被用于分子性质预测任务,大大降低后期工艺失败的负荷,节省大量的资源和时间。然而现有模型一方面忽略了分子子结构的空间位置信息,难以区分结构很相似的子结构,另一方面,由于现实的分子无论空间上如何旋转,分子本身构象如何不同但若是原子间作用不发生改变的情况下分子性质依然不会改变,但现有的基于图模型的分子性质预测中却没有关注这一问题。因此,亟需一种对于分子特征有更强表征能力兼具鲁棒性的模型方法。针对难以区分结构很相似的子结构在不同空间坐标位置上表征的问题,本文设计并实现了一个基于子结构序列空间位置信息编码的嵌入分子性质预测模型。首先,从分子的功能性出发对切分好的分子子结构组成的序列建模,从若干个原子组成的子结构能最大程度上反应分子的化学性质;其次,加入了子结构的空间信息,来获取结构很相似的子结构在不同空间坐标位置上的独特表征,从而增强模型区分不同位置的子结构细微差别的能力。最后在七个关于回归和分类任务的数据集上进行了实验,结果表明在其中6个数据集上表现均优于其他方法,在分子亲脂性指标上最多提升4%,实验结果表明该方法优于其他方法。针对分子如果旋转模型预测性质有可能发生改变的问题,为增强序列模型的鲁棒性,本文融合了一个加入原子层级原子本身性质、原子间化学键性质以及化学键之间的角度的一个图神经网络模型,其中,对于表示原子间方向的化学键键角引进了球面的Fourier-Bessel函数保证输入的原始分子不管如何旋转结果都不发生改变,从而在多个层级上获得更好的表征。在三个关于分子性质的回归任务数据集上进行实验,全部优于现有方法,并进行了消融实验,证明了方法的有效性。

关键词：分子性质预测图神经网络图分类分子子结构序列分子图拓扑结构

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于小样本的分子性质预测方法研究

基于小样本的分子性质预测方法研究

作者：孙丹黑龙江大学

学位级别：硕士

近年来,在新型冠状病毒的背景下,分子性质预测在医学领域变得越来越重要,同时在深度学习领域中也被广泛关注。目前大多数的分子性质预测方法都是基于大量的已知性质的分子样本之上。但是这类方法存在一些问题,宏观上,已知性质的分子在... 详细信息

近年来,在新型冠状病毒的背景下,分子性质预测在医学领域变得越来越重要,同时在深度学习领域中也被广泛关注。目前大多数的分子性质预测方法都是基于大量的已知性质的分子样本之上。但是这类方法存在一些问题,宏观上,已知性质的分子在生活中少之又少,特别是新性质的分子,如何在样本量较小的情况下有效的预测分子的性质成为一个难题;微观上,不同分子表示所包含的信息也会有所差异,所以在少量样本的条件下最大限度地提取分子信息并不容易。而这些问题可以通过小样本学习解决。因此基于小样本的分子性质预测得到了更广泛的应用前景。本文提出三种基于小样本的分子性质预测方法。(1)本文提出了基于分子结构和SMILES的小样本分子性质预测方法(FewShot Graph and SMILES Learning for Molecular Property Prediction,Few-GS)。在该方法中,我们首先对一批任务进行抽样训练,对于每个任务中的数据样本我们使用Rdkit将其分别转换为分子图和分子序列,并将分子图和分子序列分别送入GNN和Mol2Vec中获得特征向量。然后,采用自注意力机制为分子图特征向量和分子序列特征向量分配权重,再将其连接起来计算整体分子特征向量。最后,将分子特征向量输入小样本学习模型,同时,在测试集中利用空间自适应模块消除任务间的偏差,通过多次梯度更新调节参数,预测分子性质。在多个数据集上的实验表明:Few-GS方法优于各种现有的基于图串的分子性质预测方法。(2)本文提出了基于局部分子结构的小样本分子性质预测方法方法(Few-Shot Local Graph Learning for Molecular Property Prediction,Few-LG)。在该方法中,我们首先将分子串转化为完整的分子图,然后根据新定义的官能团划分规则将一个大的分子图划分为几个局部结构,即决定分子主要性质的官能团,由于不同大小的局部结构需要不同层次的提取才能达到较好的结果,因此采用多层GNN结合注意力机制计算分子图的特征向量,并将每一类的分子表征做加和平均计算得到该类别的中心向量。最后将特征向量输入到小样本模型中,通过临近原则预测分子性质。在多个数据集上的实验表明:Few-LG方法优于各种现有的基于局部图分子性质预测方法。(3)本文提出了基于全局分子结构的小样本分子性质预测方法(Few-Shot Graph Learning for Molecular Property Prediction,Few-Gra)。在该方法中,我们首先将分子序列转化为完整的分子图,再将分子图转化为分子树,并加强分子树与分子图的消息传递以提高分子特征提取的准确性,其次将分子图与分子树的特征向量输入尺寸融合门,得到完整的全局结构的分子表征向量。然后,将其输入小样本学习模型,通过多次的梯度更新迭代更新框架参数,强化整个学习模型。在多个数据集上的实验表明:Few-Gra方法优于各种现有的基于全局分子图的分子性质预测方法。

关键词：分子性质预测小样本学习分子图分子序列自注意力机制