PulseAugur
中
实时 07:12:26
English(EN) ChemHyperMag: Physics-informed magnetic hypergraph learning improves molecular ADMET prediction

新的物理信息超图模型增强药物ADMET预测

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了ChemHyperMag，这是一种新颖的物理信息磁性超图学习模型，旨在改进对药物发现至关重要的ADMET属性的预测。与依赖无向分子图的传统方法不同，ChemHyperMag构建了一个包含环、片段和骨架的功能基团超图，并使用Hermitian磁性拉普拉斯算子编码不对称相互作用。该方法采用InfoNCE目标进行训练，并利用磁相位生成随机视图，在ADMET基准测试中表现出改进的性能，尤其是在标记数据有限的情况下，同时还提供了可解释的方向性信号。 AI

影响 该模型将物理学和超图学相结合的方法可能在药物发现和其他分子建模任务中带来更准确和可解释的预测。

排序理由 该集群包含一篇详细介绍用于科学应用的机器学习模型的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的物理信息超图模型增强药物ADMET预测

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Hexiao Ding, Hongzhao Chen, Jing Lan, Yufeng Jiang, Zihong Luo, Zehua Xiong, Tianlong Ruan, Yunlin Mao, Nga Chun Ng, Gwing Kei Yip, Gerald W. Y. Cheng, Kate Inyoung Oh, Jing Cai, Liang-Ting Lin, Jung Sun Yoo ·

    ChemHyperMag：物理信息磁性超图学习改进分子ADMET预测

    arXiv:2607.18332v1 Announce Type: cross Abstract: Accurate prediction of ADMET (Absorption, Distribution, Metabolism, Excretion, and Toxicity) is important for drug discovery. Most predictors use undirected molecular graphs and pairwise edges. This choice misses asymmetric intera…

相关实体

相关话题