PulseAugur
中
实时 08:52:48
English(EN) A systematic investigation of molecular encoding methods for drug property predictions across neural network and Transformer encoder-based model

AI模型在药物属性预测中达到高精度

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员系统地研究了使用传统神经网络和基于 Transformer 的模型进行药物属性预测的分子编码方法。他们的研究涉及在七个数据集上训练模型并评估各种指纹类型，发现模型在毒性和致突变性预测等任务上始终达到高于 0.9 的 AUC 值。基于 Transformer 的模型在使用 MACCS 和 PubChem 指纹时，能够识别与血脑屏障通透性和致突变性相关的化学可解释基团，凸显了分子信息学在药物发现中的可解释性潜力。 AI

影响 为药物发现中选择有效的分子编码方法提供了指导，并增强了分子信息学的可解释性。

排序理由 学术论文，详细介绍了用于药物属性预测的分子编码方法的系统研究。[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 →

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Sheng-Ya Chen, Shan-Ju Yeh ·

    用于神经网络和 Transformer 编码器模型药物属性预测的分子编码方法系统研究

    arXiv:2606.08973v1 Announce Type: cross Abstract: Fundamental investigations into how different molecular encoding methods affect molecular property prediction remain relatively limited. In this study, we extensively examined the optimal molecular encoding methods for molecular p…

相关实体

相关话题