TransFoxMol: predicting molecular property with focused attention

计算机科学 机器学习 人工智能 变压器 财产(哲学) 人工神经网络 图形 理论计算机科学 量子力学 认识论 物理 哲学 电压
作者
Jian Gao,Zheyuan Shen,Yufeng Xie,Jialiang Lu,Yang Lu,Sikang Chen,Qingyu Bian,Yue Guo,Liteng Shen,Jian Wu,Binbin Zhou,Tingjun Hou,Qiaojun He,Jinxin Che,Xiaowu Dong
出处
期刊:Briefings in Bioinformatics [Oxford University Press]
卷期号:24 (5) 被引量:16
标识
DOI:10.1093/bib/bbad306
摘要

Abstract Predicting the biological properties of molecules is crucial in computer-aided drug development, yet it’s often impeded by data scarcity and imbalance in many practical applications. Existing approaches are based on self-supervised learning or 3D data and using an increasing number of parameters to improve performance. These approaches may not take full advantage of established chemical knowledge and could inadvertently introduce noise into the respective model. In this study, we introduce a more elegant transformer-based framework with focused attention for molecular representation (TransFoxMol) to improve the understanding of artificial intelligence (AI) of molecular structure property relationships. TransFoxMol incorporates a multi-scale 2D molecular environment into a graph neural network + Transformer module and uses prior chemical maps to obtain a more focused attention landscape compared to that obtained using existing approaches. Experimental results show that TransFoxMol achieves state-of-the-art performance on MoleculeNet benchmarks and surpasses the performance of baselines that use self-supervised learning or geometry-enhanced strategies on small-scale datasets. Subsequent analyses indicate that TransFoxMol’s predictions are highly interpretable and the clever use of chemical knowledge enables AI to perceive molecules in a simple but rational way, enhancing performance.
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
Christine发布了新的文献求助10
刚刚
hanleiharry1发布了新的文献求助10
5秒前
5秒前
6秒前
科研通AI2S应助糟糕的花卷采纳,获得10
9秒前
10秒前
111发布了新的文献求助10
14秒前
14秒前
19秒前
20秒前
20秒前
科目三应助爱德华123采纳,获得10
20秒前
陈梦鼠发布了新的文献求助10
20秒前
21秒前
WG完成签到,获得积分10
21秒前
wang发布了新的文献求助10
22秒前
踏实若云完成签到,获得积分10
24秒前
调研昵称发布了新的文献求助10
25秒前
fafafasci完成签到,获得积分10
26秒前
科研体育生完成签到 ,获得积分10
26秒前
wws发布了新的文献求助10
26秒前
28秒前
XU完成签到,获得积分10
29秒前
222发布了新的文献求助10
31秒前
33秒前
33秒前
35秒前
帅气的鹏飞完成签到 ,获得积分10
35秒前
在水一方应助墨羽丶采纳,获得10
36秒前
37秒前
38秒前
爱学习的小花生完成签到,获得积分10
38秒前
DLDL发布了新的文献求助10
38秒前
39秒前
我是老大应助董吉采纳,获得10
41秒前
砍柴少年发布了新的文献求助10
41秒前
英俊的铭应助爱德华123采纳,获得10
43秒前
薄雾密雨完成签到,获得积分10
47秒前
12等等完成签到,获得积分10
49秒前
搜集达人应助111采纳,获得10
50秒前
高分求助中
Kinetics of the Esterification Between 2-[(4-hydroxybutoxy)carbonyl] Benzoic Acid with 1,4-Butanediol: Tetrabutyl Orthotitanate as Catalyst 1000
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
Rechtsphilosophie 1000
Handbook of Qualitative Cross-Cultural Research Methods 600
Chen Hansheng: China’s Last Romantic Revolutionary 500
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 500
PraxisRatgeber: Mantiden: Faszinierende Lauerjäger 500
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 3139150
求助须知:如何正确求助?哪些是违规求助? 2790122
关于积分的说明 7793698
捐赠科研通 2446483
什么是DOI,文献DOI怎么找? 1301209
科研通“疑难数据库(出版商)”最低求助积分说明 626124
版权声明 601102