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
yh完成签到,获得积分10
刚刚
刚刚
刚刚
1秒前
1秒前
斯文败类应助nicole采纳,获得10
2秒前
聪明可爱小绘理完成签到,获得积分10
2秒前
2秒前
Rebekah完成签到,获得积分0
2秒前
...完成签到,获得积分10
2秒前
宛宛完成签到,获得积分10
3秒前
阿靖完成签到,获得积分10
3秒前
Yogita完成签到,获得积分10
3秒前
Niko完成签到,获得积分10
3秒前
fxkzjz发布了新的文献求助10
3秒前
简洁发布了新的文献求助10
3秒前
是毛果芸香碱完成签到,获得积分10
4秒前
丁莞完成签到,获得积分10
4秒前
4秒前
Fei发布了新的文献求助10
4秒前
5秒前
5秒前
aki空中飞跃完成签到,获得积分10
5秒前
6秒前
小美最棒完成签到,获得积分10
6秒前
大个应助聪明可爱小绘理采纳,获得10
6秒前
李爱国应助我叫胖子采纳,获得10
7秒前
hhh完成签到,获得积分20
7秒前
lizhen完成签到,获得积分10
8秒前
研究僧完成签到,获得积分10
8秒前
Mike14完成签到,获得积分10
8秒前
8秒前
8秒前
小白想抱大佬腿完成签到,获得积分10
9秒前
罗_举报天一求助涉嫌违规
9秒前
9秒前
Chemokin完成签到 ,获得积分10
9秒前
樊忘幽发布了新的文献求助30
9秒前
9秒前
充电宝应助lian采纳,获得20
10秒前
高分求助中
Sustainability in Tides Chemistry 2000
Microlepidoptera Palaearctica, Volumes 1 and 3 - 13 (12-Volume Set) [German] 1122
Дружба 友好报 (1957-1958) 1000
The Data Economy: Tools and Applications 1000
Mantiden - Faszinierende Lauerjäger – Buch gebraucht kaufen 700
PraxisRatgeber Mantiden., faszinierende Lauerjäger. – Buch gebraucht kaufe 700
A Dissection Guide & Atlas to the Rabbit 600
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 3099895
求助须知:如何正确求助?哪些是违规求助? 2751334
关于积分的说明 7613172
捐赠科研通 2403314
什么是DOI,文献DOI怎么找? 1275235
科研通“疑难数据库(出版商)”最低求助积分说明 616318
版权声明 599053