molecular专题

建议收藏 | 2023年生物学类SCI期刊影响因子最新预测，Molecular Plant遥遥领先

公众号：生信漫谈，获取最新科研信息！建议收藏 | 2023年生物学类SCI期刊影响因子最新预测，Molecular Plant遥遥领先https://mp.weixin.qq.com/s/tFINUzZ1l4H9x1HWTq1kFg 2023年生物学类SCI期刊影响因子最新预测，Molecular Plant遥遥领先，植物经典期刊Plant Phy

引入噪声解决过平滑问题的GNN方法：SIMPLE GNN NOISE REGULARISATION FOR 3D MOLECULAR PROPERTY PREDICTION AND BEYON

论文： ICLR2022的投稿，得分[8,6,6,5] 地址： Simple GNN Regularisation for 3D Molecular Property Prediction and Beyond | OpenReview 内容：通过引入噪声的方式，减缓了GNN的过平滑问题。使得添加了噪声节点的、不是用来处理图神经网络的GNS (Sanchez-Gonzalez* et

【Chemical Science-2020】GGM: Scaffold-based molecular design with a graph generative model

用图生成模型生成基于scaffold的分子 paper：Scaffold-based molecular design with a graph generative model - Chemical Science (RSC Publishing) code：GitHub - jaechanglim/GGM: graph generative model for molecule cod

【论文阅读】Can Large Language Models Empower Molecular Property Prediction?

文章目录 0、基本信息1、研究动机2、创新性3、方法论4、实验结果 0、基本信息作者：Chen Qian, Huayi Tang, Zhirui Yang文章链接：Can Large Language Models Empower Molecular Property Prediction?代码链接：Can Large Language Models Empower Molec

Molecular Simulation：Chain-Molecule Sampling Techniques

转载于:https://www.cnblogs.com/Simulation-Campus/p/8794374.html

Pushing the boundaries of molecular representation for drug discovery with graph attention mechanism

AttentiveFP 2020 Motivations 1、The gap between what these neural networks learn and what human beings can comprehend is growing 2、Graph-based representations take only the information concerning th

阅读笔记--MolGAN: An implicit generative model for small molecular graphs

阅读笔记-MolGAN: An implicit generative model for small molecular graphs 概要背景介绍分子图隐式生成模型与似然生成模型GAN 与 Improved WGANDeterministic policy gradients 模型模型架构生成器判别器与反馈网络实验分子生成药物发现总结概要寻找具有理想性质的新化合物是一

2022-Deep generative molecular design reshapes drug discovery-分子生成设计重塑药物发现

文章目录药物发现中的深度生成模型化合物/分子的表示 Deep Generative Models递归神经网 RNN变分自动编码器 VAE生成性对抗网络 (Generative Adversarial Networks, GANs)Flow-based models强化学习(Reinforcement Learning, RL) 在小分子药物设计中的应用生成有效的小分子生成具有类药物特性的分

2022 nature machine intelligence | GLAM: An adaptive graph learning method for automated molecular i

2022 nature machine intelligence | GLAM: An adaptive graph learning method for automated molecular interactions and properties predictions Paper:https://www.researchsquare.com/article/rs-1172418/lat

【学习笔记】3D分子构象生成 Direct Molecular Conformation Generation

1 摘要分子构象生成旨在生成分子中所有原子的三维坐标，是生物信息学和药理学中的一项重要任务。以前的方法通常首先预测分子的原子间距离、原子间距离的梯度或局部结构（如扭转角），然后重建其三维构象。如何在没有上述中间值的情况下直接生成构象还没有得到充分的探索。在这项工作中，我们提出了一种直接预测原子坐标的方法：（1）损失函数对坐标的旋转平移和对称原子的排列是不变的；（2）新提出的模型自适应地聚

【学习笔记】分子3D构象生成的扩散模型GeoDiff: a Geometric Diffusion Model for Molecular Conformation Generation

1 摘要从分子图预测分子构象是化学信息学和药物发现中的一个基本问题。最近，机器学习方法取得了重大进展，尤其是深度生成模型。受经典非平衡热力学中的扩散过程的启发，在这篇论文中，我们提出了一个新的生成模型，名为GEODIFF，用于分子构象预测。GEODIFF将每个原子视为一个粒子，并学习将扩散过程（即从噪声分布转换为稳定构象）直接反转为马尔可夫链。然而，对这样的生成过程进行建模是非常具有挑战性

ONE TRANSFORMER CAN UNDERSTAND BOTH 2D 3D MOLECULAR DATA

目录摘要： 1 介绍： 2 相关工作： 3 TRANSFORMER-M 3.1符号和主干Transformer 3.2Transformer-M和培训策略 4 实验 4.1大规模预训练 4.2 pcqm4mv2性能(2d) 4.3 pdbind性能(2d & 3d) 4.4 qm9性能(3d) 4.5消融实验 5 结论摘要：与通常具有独特格式的视觉和语言

菜鸡论文模仿01（结构优化）：Identifying the Mechanisms of Polymer Friction through Molecular Dynamics Simulation

模仿 MD最好的入门方式就是模仿！！！！！找一篇难度适中的，软件，研究点都比较贴近自己方向的论文进行模仿。作为初学的我很幸运找到了这篇论文，在模仿过程中也逐渐的掌握了lammps的相关命令，如果大家也觉得适合的话，也可以进行模仿练习。比较贴近的意思是眼光要广，只要那篇论文有涉及到你的研究方向，哪怕是一个参数，你都值得一看。 Dai L, Minn M, Satyanarayana N, S