药物发现是一个非常漫长和昂贵的过程,开发一种新药平均需要10年以上,花费25亿美元。人工智能有潜力通过从大量生物医学数据中提取证据来显著加快药物发现过程,从而彻底改变整个制药行业。图表示学习技术是机器学习和数据挖掘领域中一个快速发展的主题,专注于图形结构数据的深度学习。由于该领域中的许多数据都是分子和生物医学知识图等图形结构的数据,它为药物发现带来了巨大的机遇。在本次演讲中,我将介绍我们在药物发现的图表示学习方面的最新进展,包括: (1)分子性质预测; (2)从头分子设计与优化; (3)反合成预测。

成为VIP会员查看完整内容
94

相关内容

图表示学习是2018年火爆全球的一个深度学习方向,从以 Line, meta-path 等为首的节点表示学习,到以 GCN,GraphSAGE,为首的图卷积方法,在到近期的以 GraphVAE 为首的生成图模型,图表示学习方向的文章如过江之鲫。
边缘机器学习,21页ppt
专知会员服务
78+阅读 · 2021年6月21日
最新「图机器学习药物发现」综述论文,22页pdf245篇文献
【WSDM2021-Ttutorial】深度学习异常检测,111页ppt
专知会员服务
150+阅读 · 2021年3月10日
人工智能药物发现,讲述AI与药物交叉应用研究
专知会员服务
149+阅读 · 2021年1月28日
【ECML/PKDD20教程】图表示学习与应用,200页ppt
专知会员服务
90+阅读 · 2020年10月18日
图表示学习Graph Embedding综述
AINLP
32+阅读 · 2020年5月17日
基于 GNN 的图表示学习
DataFunTalk
9+阅读 · 2020年1月17日
人工智能与机器学习技术在医疗保健行业中的应用
深度学习与NLP
10+阅读 · 2018年3月25日
Pointer Graph Networks
Arxiv
7+阅读 · 2020年6月11日
Heterogeneous Graph Transformer
Arxiv
27+阅读 · 2020年3月3日
Arxiv
19+阅读 · 2019年11月23日
Deep Graph Infomax
Arxiv
16+阅读 · 2018年12月21日
Explanatory Graphs for CNNs
Arxiv
4+阅读 · 2018年12月18日
VIP会员
相关论文
Pointer Graph Networks
Arxiv
7+阅读 · 2020年6月11日
Heterogeneous Graph Transformer
Arxiv
27+阅读 · 2020年3月3日
Arxiv
19+阅读 · 2019年11月23日
Deep Graph Infomax
Arxiv
16+阅读 · 2018年12月21日
Explanatory Graphs for CNNs
Arxiv
4+阅读 · 2018年12月18日
微信扫码咨询专知VIP会员