新的EnsembleEGNN模型利用图学习改进分子属性预测

研究人员开发了EnsembleEGNN，这是一种新颖的基础模型，旨在通过编码整个构象集合来预测分子属性，而不是依赖单一的代表性结构。该方法使用共享的Equivariant Graph Neural Network (EGNN) 层来处理单个构象体，然后使用Set Attention Block来汇总这些表示。在CREMP数据集上对环肽属性预测进行预训练时，EnsembleEGNN的性能显著优于仅基于序列的BERT基线，R²值达到0.477，而BERT为0.439。当EnsembleEGNN与BERT联合训练时，性能进一步提高，R²值达到0.538，这表明将集合信息纳入分子属性预测的好处。 AI

影响 这项研究展示了一种利用构象集合上的图学习来改进分子属性预测的新颖方法，有望推动药物发现和材料科学的发展。

排序理由 该集群包含一篇详细介绍新模型及其在特定任务上性能的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• arXiv
• BERT
• CREMP-CycPeptMPDB
• EnsembleEGNN
• Equivariant Graph Neural Network

• 论文
• 模型发布

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