cheminformatics
PulseAugur coverage of cheminformatics — every cluster mentioning cheminformatics across labs, papers, and developer communities, ranked by signal.
-
新型混沌量子扩散模型增强量子数据学习
研究人员引入了一种新颖的混沌量子扩散模型，旨在更有效地学习量子数据分布。该新框架利用混沌哈密顿量时间演化来生成投影集合，与之前的基于电路的方法相比，提供了更灵活且与硬件兼容的扩散机制。该模型仅需要全局、与时间无关的控制，从而降低了在模拟量子平台上的实现开销，并增强了在化学信息学和量子物理学等领域的量子生成模型应用的训练能力和鲁棒性。
-
新的高斯过程模型增强化学品危害分类
研究人员开发了一种新的用于化学信息学的高斯过程模型，专门用于对有机溶剂的危害级别进行分类。该模型利用 Tanimoto 距离来衡量化学相似性，并在其核函数中引入了一个新颖的缩放参数，通过考虑化合物之间的相关性来增强预测性能。所提出的方法与现有模型相比表现出更优越的结果，并包含一个遗传算法来识别化学发现的关键特征。
-
新的谱图理论指纹提供高效的3D分子相似性
研究人员开发了源自谱图理论的、受物理学启发的新的分子指纹，以改进化学相似性度量。这些指纹能高效地编码3D结构信息，克服了传统2D连接描述符和成对3D方法的局限性。这种新方法使用图拉普拉斯矩阵的特征值分解来创建固定长度的指纹，这些指纹具有排列和E(3)不变性，使其适用于大规模化学空间筛选和机器学习应用。
-
新的 Python 库连接分子机器学习与 scikit-learn
一个名为 scikit-fingerprints 的新 Python 库已发布，旨在将分子机器学习功能与 scikit-learn 生态系统集成。该库基于 RDKit 构建，为分子指纹、相似性度量和数据拆分策略提供了一个统一的接口，旨在简化分子机器学习工作流程的原型设计、复现和部署。目标是使这些化学信息学工具更容易获得，并与更广泛的 Python 机器学习领域兼容。
-
机器学习模型预测天然化合物中的阿尔茨海默病候选药物
研究人员开发了一种机器学习方法，用于从天然化合物中识别阿尔茨海默病潜在疗法。该研究利用化学信息学提取分子描述符，并训练了包括随机森林、XGBoost和支持向量机在内的各种分类模型。随机森林模型表现出最高的预测准确性，突显了亲脂性和分子量等理化性质在神经保护活性中的重要性。这种集成方法通过高效筛选大型数据集，有望加速神经退行性疾病的早期药物发现。