CheMeleon
PulseAugur coverage of CheMeleon — every cluster mentioning CheMeleon across labs, papers, and developer communities, ranked by signal.
- 2026-11-06 product_launch MIT researchers released CheMeleon, an open-source foundation model for chemistry. 来源
3 天有情绪数据
-
百度生物医药发布AI药物安全性评价体系
百度生物医药已正式推出其AI驱动的药物安全性评价体系,整合了虚拟细胞模型和毒性预测与临床前安全性评估服务。该系统利用“虚拟猴”模型,将AI的预测能力从细胞层面扩展到体内动物研究。其目标是帮助药物开发团队在投入昂贵的动物试验之前,识别有前景的候选分子和潜在风险,从而优化资源配置并加速研发进程。
-
麻省理工学院发布 CheMeleon,一个开源化学基础模型
麻省理工学院的研究人员开发了 CheMeleon,一个用于化学的开源基础模型,即使在数据有限的情况下也能预测分子特性。CheMeleon 在海量的分子描述符数据集上进行了训练,只需少量示例即可针对溶解度或毒性等特定属性进行微调。在评估中,它在 58 个不同的测试用例中表现优于专家设计的模型。
-
研究发现,分子表示模型未能达到经典方法的水平 · 已追踪 2 个来源
两篇最新的 arXiv 论文研究了机器学习在化学和药物发现中分子表示的有效性。两项研究均发现,指纹等经典方法通常与新的学习嵌入模型一样有效,甚至更好。该研究强调了当前分子表示学习的局限性,表明需要更强大的评估标准和未来在编码小分子方面的开发。
-
MolPAIR框架提升分子性质预测准确性
研究人员开发了MolPAIR,一个旨在提高分子性质预测能力的新框架,特别是在处理与训练数据结构不同的化合物时。该方法在不更新特定任务参数的情况下,结合了分子级别和分子对的上下文。通过使用全局表格基础模型来预测性质,并使用第二个冻结模型根据查询分子和参考分子之间的误差差异来优化预测,MolPAIR提高了准确性。在58项任务上的实验表明,MolPAIR使用CheMeleon表示和TabPFN-3模型,显著优于现有基线,显示了显式分子比较在…
-
新的分子表示方法在低数据分析中可媲美基础嵌入
研究人员开发了一种在低数据环境下进行分子表示的新方法,创建了一系列紧凑、可解释的描述符块。这些描述符块旨在匹配CheMeleon等更大、不那么透明的基础嵌入的准确性。在九项分析中,该组合实现了0.762的平均测试AUC,与CheMeleon的0.764不相上下,并展示了可审计表示的综合竞争力。
-
Monroe:新型分子基础模型增强药物发现推理能力
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。