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] · 2026-08-12 04:00

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 →

本文如何被排名

Signal score: 0 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 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]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, model release; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: 54 days old; Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Yi Yang, Ovidiu Daescu · 2026-08-12 04:00

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…

本文如何被排名

报道来源 [1]

BiScale-GTR：用于多尺度分子表示学习的片段感知图变换器

相关实体

相关话题