PulseAugur
中
实时 08:26:24
English(EN) BiScale-GTR: Fragment-Aware Graph Transformers for Multi-Scale Molecular Representation Learning

新的BiScale-GTR框架增强了分子表示学习

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种新颖的分子表示学习自监督框架BiScale-GTR。该方法利用上下文基础的共享片段标记，其中使用基于Weisfeiler-Lehman (WL) 的片段标识和递归分解创建图字节对编码 (graph-BPE) 词汇表。然后，该框架使用原子级GNN表示来基础每个共享片段标记，从而实现相同片段的上下文相关表示。一种结构感知的片段变换器处理这些标记，以捕获可重用的子结构标识、局部化学上下文和长程分子依赖性，在各种分子机器学习基准测试中表现出色。 AI

影响 引入了一种新颖的分子表示学习方法，有可能通过改进的结构-属性预测来促进药物发现和材料科学。

排序理由 该集群包含一篇详细介绍分子表示学习新方法的论文。[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BiScale-GTR框架增强了分子表示学习

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Yi Yang, Ovidiu Daescu ·

    BiScale-GTR：用于多尺度分子表示学习的片段感知图变换器

    arXiv:2604.06336v2 Announce Type: replace-cross Abstract: Fragment-level representations provide a natural way to capture recurring molecular substructures and reuse their learned representations across molecules. However, a shared fragment identity alone may not fully describe h…

相关实体

相关话题