摘要由 AI 生成
研究人员提出了一种名为 WEECFP-SuRGE 的新型分子表征方法，该方法基于 Transformer 架构且无需外部预训练。其核心包含一个 1024 维的无参数连续分子指纹（WEECFP）以及一种基于分子最短路径图距离参数的旋转编码（SuRGE）。在 TDC ADMET 排行榜上，该方法的混合模型整体排名第 2，在无外部预训练方法中排名第 1，并在 Pgp、脂溶性等 5 个基准测试中取得第 1 名。此外，它在 MoleculeNet 数据集的回归任务中击败了所有经典指纹基线。WEECFP 具有近乎无损的分词特性，能在 99.9% 的情况下通过贪婪重叠重建恢复原始 SMILES；其图距离编码能以 O(S) 的空间复杂度实现与真实成对距离的高度相关。
关键实体KEY ENTITIES
MoleculeNetTDC ADMET leaderboardWEECFP-SuRGE
事件框架EVENT FRAME
产品发布
WEECFP-SuRGE
无外部预训练分子模型发布
报道态势 · 每日报道量LANGUAGE SPLIT
实体关系
信号强度SIGNALS
关键词热度
- WEECFP-SuRGE1
- TDC ADMET leaderboard1
- MoleculeNet1
全部报道（1）SOURCES
↗
研究人员提出了 WEECFP-SuRGE，这是一种无需外部预训练、基于 Transformer 架构的分子指纹方法。其核心组件包括一个 1024 维的无参数连续分子指纹 WEECFP，以及一种由分子最短路径图距离参数化的旋转编码 SuRGE。该方法的 7 模型混合体在 TDC ADMET 排行榜上表现优异：整体排名第 2（仅次于 MapLight+GNN），在无外部预训练方法中排名第 1，并在 Pgp、脂溶性等 5 个基准测试中获得第 1 名；在 MoleculeNet 数据集的回归任务中击败了所有经典指纹基线。此外，WEECFP 的分词具有近乎无损的特性，能在 99.9% 的情况下通过贪婪重叠重建恢复原始 SMILES，且其图距离编码能以 O(S) 的空间复杂度实现与真实成对距离高度相关（Pearson r…