Tox21
PulseAugur coverage of Tox21 — every cluster mentioning Tox21 across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新框架使用 LLM 学习可解释的逻辑程序
研究人员开发了一个名为 grasp 的新神经符号框架，该框架将语言模型与函数梯度提升相结合，以学习概率逻辑程序。该方法通过使用大型语言模型作为提升框架内的假设生成器，解决了从数据中归纳逻辑程序的难题。grasp 系统在分子毒性预测和引用匹配的基准测试中，表现优于现有的符号、神经网络和仅 LLM 的方法，同时保持了符号输出的可解释性。
-
新的“预测信用”协议衡量AI解释在科学中的价值
一篇新研究论文介绍了一种名为“预测信用”的协议，旨在衡量科学解释在改进实验预测方面的价值。该研究在Tox21和OpenML等各种数据集上，使用DeepSeek V4 Pro和DeepSeek V4 Flash等不同的AI模型测试了该协议。关于匹配解释相比简单描述在直接预测增益方面，初步结果尚无定论，尽管一些模型显示了次级漂移的减少。该协议旨在为评估解释在科学预测和AI研究代理中的贡献提供一种标准化方法。
-
ToxLens框架通过泄漏感知学习增强分子毒性预测能力
研究人员开发了ToxLens，一个新颖的图学习框架，旨在提高分子毒性预测的准确性和可靠性。该框架通过实施泄漏感知数据拆分和不确定性校准，解决了传统基准测试中性能被夸大的问题。ToxLens集成了多个图和全局特征编码器，利用蒙特卡洛Dropout进行概率预测，并结合SHAP分析进行毒效团发现，最终目标是在优先进行实验测试的化合物方面提供更实用的价值。
-
图工具将小型语言模型分子预测准确率提升高达74%
一篇新的arXiv论文介绍了一种上下文增强提示框架，旨在增强小型语言模型（SLMs）的分子属性预测能力。该框架使SLMs能够利用外部工具，特别是图神经网络（GNN）专家模型，来接收预测提示并提取带有解释的相关子图。在MUTAG和Tox21数据集上的实验表明，准确性得到了显著提高，当图派生上下文被纳入提示时，相对增益通常超过25%，在Tox21上最高可达74%。尽管取得了这些进展，研究指出与专用GNN模型相比，性能差距依然存在，这表明文…
-
药物基因组学数据通过GNNs提升药物-药物相互作用预测能力
研究人员开发了一种方法，通过整合药物基因组学数据，利用图神经网络（GNNs）来增强药物-药物相互作用（DDI）的预测。该方法将分子结构信息与药物代谢途径（特别是细胞色素P450酶）的详细信息相结合。研究发现，这种知识图谱增强显著提高了DDI分类的准确性，尤其是在CYP2C9介导的相互作用方面，但未能克服预测全新药物相互作用的固有局限性。
-
研究发现小型人工智能模型在药物发现预测中表现优于大型模型
一篇新论文挑战了在药物发现中大型人工智能模型总是更优越的假设。研究人员发现，在分子性质和活性预测任务上，经典的机器学习模型和图神经网络的性能常常优于更大、更通用的模型。虽然大型模型可能在零样本推理等领域提供优势，但其预测优势并非普遍适用，并且在很大程度上取决于特定的任务匹配度。