Equivariant Graph Neural Network
PulseAugur coverage of Equivariant Graph Neural Network — every cluster mentioning Equivariant Graph Neural Network across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的EnsembleEGNN模型利用图学习改进分子属性预测
研究人员开发了EnsembleEGNN，这是一种新颖的基础模型，旨在通过编码整个构象集合来预测分子属性，而不是依赖单一的代表性结构。该方法使用共享的Equivariant Graph Neural Network (EGNN) 层来处理单个构象体，然后使用Set Attention Block来汇总这些表示。在CREMP数据集上对环肽属性预测进行预训练时，EnsembleEGNN的性能显著优于仅基于序列的BERT基线，R²值达到0.4…
-
新的ML势能TWIN模型以从头计算精度模拟生物分子系统
研究人员开发了可转移水隐式网络（TWIN），这是一种用于模拟水环境中生物分子系统的新型机器学习势能。与依赖经验力场数据的先前模型不同，TWIN仅使用等变图神经网络在从头计算和实验标签上进行训练。这种方法使TWIN能够实现与密度泛函理论（DFT）相当的精度，同时速度快两个数量级，使其适用于模拟复杂的生物系统。
-
TWIN机器学习模型以从头计算精度加速生物分子模拟
研究人员开发了可转移水隐式网络（TWIN），这是一种新颖的机器学习原子间势能（MLP），可显著加速生物分子系统的原子尺度建模。与以往依赖经验数据且精度有限的隐式溶剂MLP不同，TWIN仅使用从头计算和实验标签，并采用等变图神经网络进行训练。这种方法使TWIN能够达到与基于DFT的显式溶剂模型相当的精度，但评估时间却快了两个数量级，使其适用于大规模生物分子模拟。
-
新AI模型利用自适应传播预测蛋白质相互作用位点
研究人员开发了一种名为SGAP-PPIS的新深度学习模型，用于预测蛋白质-蛋白质相互作用位点。该模型利用自适应传播机制，根据每个残基的几何环境调整信息扩散。通过整合来自等变图神经网络的多尺度几何状态，SGAP-PPIS能够更好地区分真实的相互作用位点与相似的非相互作用邻居。实验表明，SGAP-PPIS在性能上与现有最先进的方法具有竞争力。