基于分子圖的深度學(xué)習(xí)在化學(xué)和藥物領(lǐng)域非常熱門。

2019年8月13日JMC（Journal of Medicinal Chemistry）刊登了一篇文章“Pushing the Boundaries of Molecular Representation for Drug Discovery with the Graph Attention Mechanism”，介紹了一種基于注意力機制的圖神經(jīng)網(wǎng)絡(luò)模型（Attentive FP）。該模型可以用于分子表征，在多個藥物發(fā)現(xiàn)相關(guān)的數(shù)據(jù)集上的預(yù)測表現(xiàn)達到當前最優(yōu)，并且該模型所學(xué)到的內(nèi)容具有可解釋性。

Attentive FP Attentive FP總體框架以及與同類的圖神經(jīng)網(wǎng)絡(luò)模型比較

DGL具有許多用于化學(xué)信息學(xué)、藥物與生物信息學(xué)任務(wù)的函數(shù)。

DGL開發(fā)人員提供了基于DGL實現(xiàn)的Attentive FP模型， 基于Attentive FP探索分子性質(zhì)預(yù)測的線性模型。

 

總結(jié)

以上是生活随笔為你收集整理的DGL RDKit | 基于Attentive FP的分子性质线性模型的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。