PulseAugur
中
实时 11:32:02

Monroe：新型分子基础模型增强药物发现推理能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种新型分子基础模型Monroe，该模型专为药物发现中的上下文概率推理而设计。该模型利用了来自PM6量子化学数据集的超过8100万个分子的显著更大的数据集，并结合了改进的立体化学图表示。Monroe还具有增强的训练损失、多任务学习，并利用先验数据拟合模型（TabPFN）进行下游预测。在既定基准上的评估显示，Monroe的性能与现有模型相当或更优，在对分子发现至关重要的活性悬崖基准上取得了显著改进。 AI

影响 这种分子基础模型可以通过改善数据受限场景下的预测来加速药物发现。

排序理由 该项目是一篇详细介绍新模型及其在基准测试中表现的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

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

Monroe：新型分子基础模型增强药物发现推理能力

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Blazej Banaszewski, Andrew W. Fitzgibbon ·

    Monroe：用于上下文概率推理的分子基础模型

    arXiv:2608.18982v1 Announce Type: new Abstract: Bioassay activity prediction is often data-limited because drug-discovery datasets rely on time-consuming and expensive wet-lab experiments for data generation and evaluation. This challenge has inspired recent research into molecul…

相关实体

相关话题