Inf Fusion｜基于强化学习引导的对比学习框架用于分子性质预测
智药邦
2025-05-11 08:00
文章摘要
本文提出了一种名为RL-GCL的分子性质预测方法，通过结合强化学习和对比学习策略，有效生成标签不变且具有挑战性的分子图增强样本。研究团队设计了专门的奖励函数，平衡分子结构相似性与标签一致性，确保生成的增强样本在物理合理性和任务适应性上表现优异。实验结果表明，RL-GCL在八个MoleculeNet基准数据集上显著优于现有最先进方法，并能挖掘关键功能基团与亚结构。该方法不仅提升了分子表征学习的准确性和泛化能力，也为药物设计与分子属性预测领域带来了新的启发。
本站注明稿件来源为其他媒体的文/图等稿件均为转载稿，本站转载出于非商业性的教育和科研之目的，并不意味着赞同其观点或证实其内容的真实性。如转载稿涉及版权等问题，请作者速来电或来函联系。
推荐文献
Optimizing Cancer Classification and Gene Discovery with an Adaptive Learning Search Algorithm for Microarray Analysis
DOI: 10.1007/s42235-025-00656-1
Pub Date : 2025-03-10
Issue Information
DOI: 10.1002/rob.22367
Pub Date : 2025-04-13
Investigating the impact of balancing, filtering, and complexity on predictive multiplicity: A data-centric perspective
DOI: 10.1016/j.inffus.2025.103243
Pub Date : 2025-05-08
智药邦
Nature新闻｜21世纪被引次数最多的论文.
2025-05-11
生成式AI赋能药企创新：诺华制药的治理架构与落地实践全景.
2025-05-10
中国生物：数据治理在生物医药企业的实践与思考.
2025-05-10
Org Chem Front｜机器学习助力酶工程：解锁转氨酶在中性pH下的高效催化.
2025-05-09
最新文章
Inf Fusion｜基于强化学习引导的对比学习框架用于分子性质预测
2025-05-11
Nature新闻｜21世纪被引次数最多的论文
2025-05-11
生成式AI赋能药企创新：诺华制药的治理架构与落地实践全景
2025-05-10
中国生物：数据治理在生物医药企业的实践与思考
2025-05-10
京公网安备 11010802042870号
