CN116665763A - 一种基于多视图多标签学习的代谢途径推断方法 - Google Patents
一种基于多视图多标签学习的代谢途径推断方法 Download PDFInfo
- Publication number
- CN116665763A CN116665763A CN202310562934.3A CN202310562934A CN116665763A CN 116665763 A CN116665763 A CN 116665763A CN 202310562934 A CN202310562934 A CN 202310562934A CN 116665763 A CN116665763 A CN 116665763A
- Authority
- CN
- China
- Prior art keywords
- molecular
- representation
- fingerprints
- learning
- diagram
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000004060 metabolic process Effects 0.000 title description 2
- 230000037353 metabolic pathway Effects 0.000 claims abstract description 23
- 239000013598 vector Substances 0.000 claims abstract description 17
- 230000000295 complement effect Effects 0.000 claims abstract description 8
- 230000004913 activation Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims abstract description 5
- 238000010586 diagram Methods 0.000 claims description 17
- 230000007246 mechanism Effects 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 9
- 238000011176 pooling Methods 0.000 claims description 7
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 230000002457 bidirectional effect Effects 0.000 claims description 2
- 239000011159 matrix material Substances 0.000 claims 1
- 150000001875 compounds Chemical class 0.000 abstract description 10
- 230000000007 visual effect Effects 0.000 description 6
- 238000005096 rolling process Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000037361 pathway Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- -1 SMILES Chemical class 0.000 description 1
- 238000002679 ablation Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 239000002207 metabolite Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004850 protein–protein interaction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16B—BIOINFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR GENETIC OR PROTEIN-RELATED DATA PROCESSING IN COMPUTATIONAL MOLECULAR BIOLOGY
- G16B5/00—ICT specially adapted for modelling or simulations in systems biology, e.g. gene-regulatory networks, protein interaction networks or metabolic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Physiology (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Evolutionary Biology (AREA)
- Biotechnology (AREA)
- Image Analysis (AREA)
- Collating Specific Patterns (AREA)
Abstract
本申请涉及代谢组学技术领域,公开了一种基于多视图多标签学习的代谢途径推断方法,包括以下步骤:步骤一:首先将SMILES序列分解为原子级标记,然后将每个标记映射到具有固定维度的向量,之后,将这些嵌入表示传递给双向LSTM,最后通过MLP层获得基于序列的分子表示,步骤二:通过使用RDKit获取原始分子拓扑结构。通过在拼接四种互补指纹,然后通过多层感知机对拼接后的分子指纹进行编码,获取基于分子指纹的表示,将四种不同类型的分子指纹与简化的分子输入行条目系统表示结合,形成混合指纹,然后将混合指纹向量输入到具有非线性激活函数的MLP中,相较于现有技术具有明显的优势,为预测化合物的通路集合提供了更为准确和有效的解决方案。
Description
技术领域
本发明涉及代谢组学技术领域,具体为一种基于多视图多标签学习的代谢途径推断方法。
背景技术
在代谢通路多标签预测领域,现有的实现方案主要包括基于网络的方法和基于图神经网络的方法。基于网络的方法,如化学-化学相互作用网络、蛋白质-蛋白质相互作用网络和化学-蛋白质相互作用网络,利用生物网络信息来预测化合物参与的代谢通路。然而,这些方法通过整合多层生物网络来预测代谢途径时可能忽略了网络中孤立的化合物。另一方面,基于图神经网络的方法,如图卷积网络(GCN)和图注意力网络(GATs),已成功应用于提取图结构和语义特征以实现分子结构的图卷积操作。
现有的多标签代谢通路预测方法存在一些局限性,主要表现在:一是它们通常基于单一视角的数据表示,可能无法充分捕获化合物的多样性和复杂性;二是这些方法关注化合物结构信息,却忽略了化合物的多个不同特征集,如SMILES、指纹和图;三是当前方法的泛化性能有限,因为它们在学习分子结构表示时仅使用一个可学习卷积核,这可能会影响模型的预测精度。
发明内容
针对现有技术的不足,本发明提供了一种基于多视图多标签学习的代谢途径推断方法,解决了无法充分捕获化合物的多样性和复杂性的问题。
为实现以上目的,本发明通过以下技术方案予以实现:一种基于多视图多标签学习的代谢途径推断方法,包括以下步骤:
步骤一:首先将SMILES序列分解为原子级标记,然后将每个标记映射到具有固定维度的向量,之后,将这些嵌入表示传递给双向LSTM,最后通过MLP层获得基于序列的特征表示。
步骤二:通过使用RDKit获取原始分子拓扑结构,然后将原始分子拓扑结构图作为GCN层的图数据,通过GCN学习图中节点的嵌入表示,然后利用基于迭代内容的注意力机制的Set2Set[4]全局池化操作来聚合图中节点的嵌入向量,最后通过一个MLP层获取分子的图形嵌入表示。
步骤三:拼接四种互补指纹,然后通过多层感知机对拼接后的分子指纹进行编码,获取基于分子指纹的表示,将四种不同类型的分子指纹与简化的分子输入行条目系统表示结合,形成混合指纹,然后将混合指纹向量输入到具有非线性激活函数的MLP中。
步骤四:通过计算Q(Query),K(Key)和V(Value)矩阵,模型能够为不同视角的表示分配权重,同时,引入多头注意力机制,使模型能够同时关注来自不同视角的信息,最后,将多头注意力的输出连接并输入到一个MLP层,以得到每个代谢通路的预测分数。
优选的,所述步骤二中多种分子为分子序列、拓扑信息和指纹。
优选的,一种基于多视图多标签学习的代谢途径推断系统,包括:
序列表示学习模块,用于利用双向LSTM(Bi-LSTM)学习分子的SMILES序列信息,以捕获分子结构的原始信息。
图表示学习模块,用于使用图卷积网络(GCN)学习分子图的拓扑表示信息,并采用基于迭代内容的注意力机制的Set2Set[4]全局池化操作来聚合图中节点的嵌入向量。
指纹表示学习模块,用于拼接四种互补指纹,然后通过多层感知机对拼接后的分子指纹进行编码,获取基于分子指纹的表示。
基于注意力的融合模块,用于有效地整合分子的多视角特征。
工作原理:首先将SMILES序列分解为原子级标记,然后将每个标记映射到具有固定维度的向量,之后,将这些嵌入表示传递给双向LSTM,最后通过MLP层获得基于序列的特征表示,通过使用RDKit获取原始分子拓扑结构,然后将原始分子拓扑结构图作为GCN层的图数据,通过GCN学习图中节点的嵌入表示,然后利用基于迭代内容的注意力机制的Set2Set[4]全局池化操作来聚合图中节点的嵌入向量,最后通过一个MLP层获取分子的图形嵌入表示,拼接四种互补指纹,然后通过多层感知机对拼接后的分子指纹进行编码,获取基于分子指纹的表示,将四种不同类型的分子指纹与简化的分子输入行条目系统表示结合,形成混合指纹,然后将混合指纹向量输入到具有非线性激活函数的MLP中,通过计算Q(Query),K(Key)和V(Value)矩阵,模型能够为不同视角的表示分配权重,同时,引入多头注意力机制,使模型能够同时关注来自不同视角的信息,最后,将多头注意力的输出连接并输入到一个MLP层,以得到每个代谢通路的预测分数。
本发明提供了一种基于多视图多标签学习的代谢途径推断方法。具备以下有益效果:
本发明通过采用基于注意力的多视图融合网络,能够整合多种分子表示,包括分子序列、指纹和拓扑信息,从而充分捕捉分子的结构和属性信息,通过多头注意力机制的引入使得模型能够有效地学习和挖掘不同表示之间的相关性,进一步增强模型的预测性能,再利用双向长短时记忆(Bi-LSTM)结构、指纹神经网络(FP-NN)和图卷积网络(GCN)学习多种分子表示,生成丰富的分子特征表示,有助于提高模型在复杂任务中的预测能力,在多视图融合、多头注意力机制、多种特征学习方法以及多标签学习等方面相较于现有技术具有明显的优势,为预测化合物的通路集合提供了更为准确和有效的解决方案。
附图说明
图1为本发明的完整流程图;
图2为本发明的技术路线图;
图3为本发明的数据的不同模型的比较图;
图4为本发明的模型的消融实验图;
图5为本发明的每类代谢通路分类性能评估图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例一:
请参阅附图1-附图5,本发明实施例提供一种基于多视图多标签学习的代谢途径推断方法,包括以下步骤:
步骤一:首先将SMILES序列分解为原子级标记,然后将每个标记映射到具有固定维度的向量,之后,将这些嵌入表示传递给双向LSTM,最后通过MLP层获得基于序列的特征表示。
步骤二:通过使用RDKit获取原始分子拓扑结构,然后将原始分子拓扑结构图作为GCN层的图数据,通过GCN学习图中节点的嵌入表示,然后利用基于迭代内容的注意力机制的Set2Set[4]全局池化操作来聚合图中节点的嵌入向量,最后通过一个MLP层获取分子的图形嵌入表示。
步骤三:拼接四种互补指纹,然后通过多层感知机对拼接后的分子指纹进行编码,获取基于分子指纹的表示,将四种不同类型的分子指纹与简化的分子输入行条目系统表示结合,形成混合指纹,然后将混合指纹向量输入到具有非线性激活函数的MLP中。
步骤四:通过计算Q(Query),K(Key)和V(Value)矩阵,模型能够为不同视角的表示分配权重,同时,引入多头注意力机制,使模型能够同时关注来自不同视角的信息,最后,将多头注意力的输出连接并输入到一个MLP层,以得到每个代谢通路的预测分数。
所述步骤二中多种分子为分子序列、拓扑信息和指纹。
实施例二:
一种基于多视图多标签学习的代谢途径推断系统,包括:
序列表示学习模块,用于利用双向LSTM(Bi-LSTM)学习分子的SMILES序列信息,以捕获分子结构的原始信息。
图表示学习模块,用于使用图卷积网络(GCN)学习分子图的拓扑表示信息,并采用基于迭代内容的注意力机制的Set2Set[4]全局池化操作来聚合图中节点的嵌入向量。
指纹表示学习模块,用于拼接四种互补指纹,然后通过多层感知机对拼接后的分子指纹进行编码,获取基于分子指纹的表示。
基于注意力的融合模块,用于有效地整合分子的多视角特征。
实施例三:
请参阅附图1,本发明通过利用三个不同的特征集,模块A,即SMILES、分子图和指纹。整合这些不同的数据视图可以让模型更好地表示化合物和通路之间的特征和关系,模块B为了进一步增强对多个不同特征数据集的学习,模型集成了多个复合编码器,每个复合编码器都专门设计用于捕获化学结构的不同方面。模块C,为模型的融合模块利用基于注意力的机制有效地融合来自化合物不同视图的信息。这使模型能够识别和组合每个视图中最相关的信息。最后,模块D,为通路预测器测量学习表征和代谢通路之间的接近程度以确定通路参与。
实施例四:
请参阅附图3,本发明通过4129个代谢物在11种不同的代谢通路数据集上使用不同方法预测的F1 score,AUC,AUPR,Recall和Precision的比较。将本发明(MVML-MPI)与基于图卷积网络的模型,以及基于图注意力网络的模型和AutoMSR进行对比,可以看出,本发明预测的F1 score,AUC,AUPR,Recall和Precision都取得了最佳值。
实施例五:
请参阅附图4,本发明通过比较了不同模块对预测性能的贡献,结果表明,使用基于注意力机制的融合模块可以提高预测性能,并且优于仅使用单一分子特征视图的模型,在不同的分子编码器和融合模块中,使用SMILES视图的本发明(MVML-MPI)模型表现最佳,可以提高准确率、精度、召回率和F1分数。此外,仅基于特征集的简单拼接的模型相比,MVML-MPI模型在预测多标签代谢途径方面具有优势,强调了基于注意力机制的融合策略在多标签代谢途径预测中的关键作用。
实施例六:
请参阅附图5,本发明通过每类代谢通路分类性能评估,进一步来评估本发明在未被充分代表的通路类别中的通路标签的能力,使用准确性、F1分数、召回率和精度与AutoMSR模型进行了比较。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (3)
1.一种基于多视图多标签学习的代谢途径推断方法,其特征在于,包括以下步骤:
步骤一:首先将SMILES序列分解为原子级标记,然后将每个标记映射到具有固定维度的向量,之后,将这些嵌入表示传递给双向LSTM,最后通过MLP层获得基于序列的特征表示。
步骤二:通过使用RDKit获取原始分子拓扑结构,然后将原始分子拓扑结构图作为GCN层的图数据,通过GCN学习图中节点的嵌入表示,然后利用基于迭代内容的注意力机制的Set2Set[4]全局池化操作来聚合图中节点的嵌入向量,最后通过一个MLP层获取分子的图形嵌入表示。
步骤三:拼接四种互补指纹,然后通过多层感知机对拼接后的分子指纹进行编码,获取基于分子指纹的表示,将四种不同类型的分子指纹与简化的分子输入行条目系统表示结合,形成混合指纹,然后将混合指纹向量输入到具有非线性激活函数的MLP中。
步骤四:通过计算Query,Key和Value矩阵,模型能够为不同视角的表示分配权重,同时,引入多头注意力机制,使模型能够同时关注来自不同视角的信息,最后,将多头注意力的输出连接并输入到一个MLP层,以得到每个代谢通路的预测分数。
2.根据权利要求1所述的一种基于多视图多标签学习的代谢途径推断方法,其特征在于,所述步骤一、步骤二、和步骤三中分子为分子序列、拓扑信息和指纹。
3.一种基于多视图多标签学习的代谢途径推断系统,根据权利要求1或2所述的一种基于多视图多标签学习的代谢途径推断方法,其特征在于,包括:
序列表示学习模块,用于利用双向LSTM学习分子的SMILES序列信息,以捕获分子结构的原始信息。
图表示学习模块,用于使用图卷积网络学习分子图的拓扑表示信息,并采用基于迭代内容的注意力机制的Set2Set全局池化操作来聚合图中节点的嵌入向量。
指纹表示学习模块,用于拼接四种互补指纹,然后通过多层感知机对拼接后的分子指纹进行编码,获取基于分子指纹的表示。
基于注意力的融合模块,用于有效地整合分子的多视角特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310562934.3A CN116665763B (zh) | 2023-05-18 | 2023-05-18 | 一种基于多视图多标签学习的代谢途径推断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310562934.3A CN116665763B (zh) | 2023-05-18 | 2023-05-18 | 一种基于多视图多标签学习的代谢途径推断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116665763A true CN116665763A (zh) | 2023-08-29 |
CN116665763B CN116665763B (zh) | 2024-05-03 |
Family
ID=87725228
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310562934.3A Active CN116665763B (zh) | 2023-05-18 | 2023-05-18 | 一种基于多视图多标签学习的代谢途径推断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116665763B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013181758A1 (en) * | 2012-06-05 | 2013-12-12 | Mcmaster University | Screening method and systems utilizing mass spectral fragmentation patterns |
US20190272890A1 (en) * | 2017-07-25 | 2019-09-05 | Insilico Medicine, Inc. | Deep proteome markers of human biological aging and methods of determining a biological aging clock |
CN111223527A (zh) * | 2015-12-07 | 2020-06-02 | 齐默尔根公司 | 利用htp基因组工程平台对微生物菌株的改良 |
US20200176087A1 (en) * | 2018-12-03 | 2020-06-04 | Battelle Memorial Institute | Method for simultaneous characterization and expansion of reference libraries for small molecule identification |
CN112435715A (zh) * | 2020-11-12 | 2021-03-02 | 中国科学院深圳先进技术研究院 | 代谢路径预测方法、装置、终端设备及存储介质 |
CN112562869A (zh) * | 2021-02-24 | 2021-03-26 | 北京中医药大学东直门医院 | 一种药物联用安全评测系统、方法和装置 |
US20210158903A1 (en) * | 2019-11-21 | 2021-05-27 | Hitachi, Ltd. | Information processing system and search method |
CN113066526A (zh) * | 2021-04-08 | 2021-07-02 | 北京大学 | 一种基于超图的药物-靶标-疾病相互作用预测方法 |
CN114360659A (zh) * | 2021-12-21 | 2022-04-15 | 武汉大学 | 一种结合与或树与单步反应规则预测的生物逆合成方法及系统 |
US20220165359A1 (en) * | 2020-11-23 | 2022-05-26 | Peptilogics, Inc. | Generating anti-infective design spaces for selecting drug candidates |
CN114898815A (zh) * | 2022-05-10 | 2022-08-12 | 清华大学深圳国际研究生院 | 药物发现领域中基于空间结构的同质相互作用预测方法和装置 |
CN114927173A (zh) * | 2022-04-06 | 2022-08-19 | 西北工业大学 | 基于标签相关性和图表示学习的代谢路径预测方法 |
-
2023
- 2023-05-18 CN CN202310562934.3A patent/CN116665763B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013181758A1 (en) * | 2012-06-05 | 2013-12-12 | Mcmaster University | Screening method and systems utilizing mass spectral fragmentation patterns |
CN111223527A (zh) * | 2015-12-07 | 2020-06-02 | 齐默尔根公司 | 利用htp基因组工程平台对微生物菌株的改良 |
US20190272890A1 (en) * | 2017-07-25 | 2019-09-05 | Insilico Medicine, Inc. | Deep proteome markers of human biological aging and methods of determining a biological aging clock |
US20200176087A1 (en) * | 2018-12-03 | 2020-06-04 | Battelle Memorial Institute | Method for simultaneous characterization and expansion of reference libraries for small molecule identification |
US20210158903A1 (en) * | 2019-11-21 | 2021-05-27 | Hitachi, Ltd. | Information processing system and search method |
CN112435715A (zh) * | 2020-11-12 | 2021-03-02 | 中国科学院深圳先进技术研究院 | 代谢路径预测方法、装置、终端设备及存储介质 |
US20220165359A1 (en) * | 2020-11-23 | 2022-05-26 | Peptilogics, Inc. | Generating anti-infective design spaces for selecting drug candidates |
CN112562869A (zh) * | 2021-02-24 | 2021-03-26 | 北京中医药大学东直门医院 | 一种药物联用安全评测系统、方法和装置 |
CN113066526A (zh) * | 2021-04-08 | 2021-07-02 | 北京大学 | 一种基于超图的药物-靶标-疾病相互作用预测方法 |
CN114360659A (zh) * | 2021-12-21 | 2022-04-15 | 武汉大学 | 一种结合与或树与单步反应规则预测的生物逆合成方法及系统 |
CN114927173A (zh) * | 2022-04-06 | 2022-08-19 | 西北工业大学 | 基于标签相关性和图表示学习的代谢路径预测方法 |
CN114898815A (zh) * | 2022-05-10 | 2022-08-12 | 清华大学深圳国际研究生院 | 药物发现领域中基于空间结构的同质相互作用预测方法和装置 |
Non-Patent Citations (2)
Title |
---|
PAOLA RUIZ PUENTES 等: "PharmaNet: Pharmaceutical discovery with deep recurrent neural networks", 《PLOS ONE》, vol. 16, no. 4, 26 April 2021 (2021-04-26) * |
赵其昌: "基于深度注意模型的药物蛋白质关系预测", 《中国优秀硕士学位论文全文数据库 (医药卫生科技辑)》, no. 2, 15 February 2021 (2021-02-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN116665763B (zh) | 2024-05-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111400620B (zh) | 基于时空嵌入Self-Attention的用户轨迹位置预测方法 | |
Snavely et al. | Skeletal graphs for efficient structure from motion | |
US9984323B2 (en) | Compositional prototypes for scalable neurosynaptic networks | |
CN114493014A (zh) | 多元时间序列预测方法、系统及计算机产品、存储介质 | |
Zuo et al. | Graph convolutional networks for traffic forecasting with missing values | |
CN116126341A (zh) | 模型编译方法、装置、计算机设备及计算机可读存储介质 | |
Liu et al. | Road segmentation with image-LiDAR data fusion in deep neural network | |
Zhao et al. | End‐to‐end autonomous driving decision model joined by attention mechanism and spatiotemporal features | |
Bi et al. | An application of stereo matching algorithm based on transfer learning on robots in multiple scenes | |
Zhang et al. | DHNet: Salient object detection with dynamic scale-aware learning and hard-sample refinement | |
CN114418189A (zh) | 水质等级预测方法、系统、终端设备及存储介质 | |
Rao et al. | Sliding space-disparity transformer for stereo matching | |
CN116665763B (zh) | 一种基于多视图多标签学习的代谢途径推断方法 | |
Qi et al. | Unstructured road detection via combining the model‐based and feature‐based methods | |
CN115984634B (zh) | 图像检测方法、装置、设备、存储介质和程序产品 | |
Bi et al. | Critical direction projection networks for few-shot learning | |
Che et al. | Pedestrian multiple-object tracking based on FairMOT and circle loss | |
CN112466410B (zh) | 蛋白质与配体分子结合自由能的预测方法及装置 | |
CN111552774B (zh) | 基于沃瑟斯坦距离正则化的查询-文档匹配方法和系统 | |
CN114462707A (zh) | 一种基于特征深度融合的Web服务多维QoS联合预测方法 | |
Liu et al. | Analysis of the mixed teaching of college physical education based on the health big data and blockchain technology | |
Senuma et al. | GEAR: a graph edge attention routing algorithm solving combinatorial optimization problem with graph edge cost | |
Zhong et al. | Densely packed object detection with transformer-based head and EM-merger | |
Tarakanov et al. | Identification of cellular automata by immunocomputing. | |
CN116883914B (zh) | 一种融合半监督与对比学习的视频分割方法以及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |