《A self-attention based message passing neural network for predicting molecular lipophilicity》阅读笔记
程序员文章站
2022-06-26 18:24:58
《A self-attention based message passing neural network for predicting molecular lipophilicity and aqueous solubility》 阅读笔记文献类型: Journal of Cheminformatics链接:https://jcheminf.biomedcentral.com/articles/10.1186/s13321-020-0414-z#Sec12概要:描述了一种基于自我注意的消息...
《A self-attention based message passing neural network for predicting molecular lipophilicity and aqueous solubility》 阅读笔记
- 文献类型: Journal of Cheminformatics
- 链接:https://jcheminf.biomedcentral.com/articles/10.1186/s13321-020-0414-z#Sec12
- 概要:
- 描述了一种基于自我注意的消息传播神经网络(SAMPN)模型,它是Deepchem的MPN的改进,在深度学习方面是最先进的。
- 在学习过程中,直接学习每个QSAR/QSAPR任务的最相关特征,并对子结构进行重要度分配,提高预测的可解释性。
- 我们的SAMPN图网络利用了上面描述的化学图结构,其中每条边都来自化学键,每个原子都是节点。
- 我们的消息传递神经网络(MPN)和SAMPN模型都可以作为多目标模型(Multi-MPN或Multi-SAMPN),不仅可以了解化学结构和性质之间的关系,还可以了解分子内在属性之间的关系。
- 为了演示我们的计算方法,我们选择了亲水性和水溶性作为目标属性,
-
存在问题
- 分子的固定指纹特征可能并不是所有任务的最合适表示。传统方法无法反映哪些特征与模型最相关。
- SMILES表示并不旨在捕获分子相似性,不关注所涉及的分子结构。
-
解决途径
-
将SMILES形式转成有向图,并将键的方向设定为双向
-
Message passing network encoder
消息传递和更新阶段:
经过几个steps后,读出操作:
- Self‑attention mechanism
得到每个节点的隐向量后,如何捕捉亚结构对目标分子特性的影响:
总示意图:
-
-
创新点
- 在MPN上使用双向键进行消息传递
- 使用attention机制
- 启发
- 使用skip connection 防止梯度消失,实现消息的远距离传输
- attention 的模式
本文地址:https://blog.csdn.net/lingxu01/article/details/108995851
上一篇: 机械师发布星辰17水冷游戏本:三种模式、首发12代酷睿
下一篇: Alios things资料篇