Machine-guided representation for accurate graph-based molecular machine learning

分子图 计算机科学 人工智能 机器学习 代表(政治) 图形 分子机器 公制(单位) 化学空间 理论计算机科学 化学 药物发现 纳米技术 材料科学 政治 政治学 经济 法学 生物化学 运营管理
作者
Gyoung S. Na,Hyunju Chang,Hyun Woo Kim
出处
期刊:Physical Chemistry Chemical Physics [The Royal Society of Chemistry]
卷期号:22 (33): 18526-18535 被引量:32
标识
DOI:10.1039/d0cp02709j
摘要

In chemistry-related fields, graph-based machine learning has received significant attention as atoms and their chemical bonds in a molecule can be represented as a mathematical graph. However, many molecular properties are sensitive to changes in the molecular structure. For this reason, molecules have a mixed distribution for their molecular properties in molecular space, and it consequently makes molecular machine learning difficult. However, this problem has not been investigated in either chemistry or computer science. To tackle this problem, we propose a robust and machine-guided molecular representation based on deep metric learning (DML), which automatically generates an optimal representation for a given dataset. To this end, we first adopt DML for molecular machine learning by integrating it with graph neural networks (GNNs) and devising a new objective function for representation learning. In experimental evaluations, machine learning algorithms with the proposed method achieved better prediction accuracy than state-of-the-art GNNs. Furthermore, the proposed method was also effective on extremely small datasets, and this result is impressive because many real world applications suffer from a lack of training data.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
情怀应助朴实夏波采纳,获得10
刚刚
1秒前
2秒前
xiao茗完成签到,获得积分10
2秒前
微笑采文发布了新的文献求助10
2秒前
Uuchandesu完成签到 ,获得积分10
3秒前
3秒前
3秒前
4秒前
4秒前
冲塔亚德完成签到 ,获得积分10
4秒前
5秒前
丹丹完成签到,获得积分10
5秒前
QXS完成签到 ,获得积分10
6秒前
gfr123完成签到,获得积分10
7秒前
7秒前
齐齐发布了新的文献求助10
7秒前
上官若男应助doctorw采纳,获得10
8秒前
joywu05完成签到,获得积分10
8秒前
王小Q发布了新的文献求助30
8秒前
ding应助墨墨采纳,获得10
8秒前
liulujlnd2024完成签到,获得积分10
8秒前
聪大大发布了新的文献求助10
8秒前
9秒前
fifteen发布了新的文献求助10
9秒前
9秒前
打打发布了新的文献求助10
9秒前
小马甲应助生科爱好者采纳,获得10
9秒前
llt发布了新的文献求助10
10秒前
认真烨华发布了新的文献求助10
10秒前
德德发布了新的文献求助10
11秒前
liulujlnd2024发布了新的文献求助30
11秒前
大橙子发布了新的文献求助30
11秒前
Lucas应助微笑采文采纳,获得10
12秒前
彭于晏应助zhu采纳,获得30
12秒前
xiao茗发布了新的文献求助10
13秒前
DMMM发布了新的文献求助10
13秒前
16秒前
llt完成签到,获得积分10
16秒前
马丹娜发布了新的文献求助10
17秒前
高分求助中
Evolution 10000
Sustainability in Tides Chemistry 2800
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
An Introduction to Geographical and Urban Economics: A Spiky World Book by Charles van Marrewijk, Harry Garretsen, and Steven Brakman 600
Diagnostic immunohistochemistry : theranostic and genomic applications 6th Edition 500
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 400
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3154185
求助须知:如何正确求助?哪些是违规求助? 2805059
关于积分的说明 7863283
捐赠科研通 2463232
什么是DOI,文献DOI怎么找? 1311173
科研通“疑难数据库(出版商)”最低求助积分说明 629464
版权声明 601821