arXiv · 30.07.2026 ·Машинное обучение

Новый метод полуавтоматического обучения для молекулярных графов

Исследователи представили метод полуавтоматического обучения (semi-supervised learning) для анализа молекулярных графов, основанный на ансамблевом консенсусе. Подход позволяет эффективно использовать обширные массивы неразмеченных данных для предсказания свойств молекул, решая проблему высокой стоимости и сложности получения экспертной разметки в химических исследованиях. Технология ускоряет процесс разработки новых материалов и поиск перспективных соединений в фармацевтике и химии.

Традиционные методы полуавтоматического обучения часто зависят от аугментаций, сохраняющих метки, что затруднительно при работе со сложными молекулярными структурами. Предложенный подход использует ансамбль моделей, которые вырабатывают консенсусные прогнозы для неразмеченных данных, минимизируя влияние шума и повышая точность предсказаний на малых выборках с разметкой. Это позволяет извлекать значимые закономерности из больших неструктурированных баз данных химических соединений.

Применение данного метода снижает зависимость от дорогостоящих лабораторных экспериментов, необходимых для создания обучающих датасетов. Алгоритм демонстрирует высокую устойчивость к вариативности молекулярных графов, что делает его пригодным для широкого спектра задач в области материаловедения, включая прогнозирование токсичности, растворимости и других физико-химических характеристик веществ.

Ключевые факты

Метод опирается на ансамблевый консенсус для обработки неразмеченных молекулярных данных.
Технология направлена на снижение затрат при создании обучающих выборок в молекулярных науках.
Подход оптимизирует предсказание свойств соединений, где получение экспериментальных данных является наиболее трудоемким этапом.
Алгоритм адаптирован для работы с графовыми структурами, что позволяет учитывать топологические особенности молекул.

Источник: arXiv

Обсудить с ИИ

Похожие материалы

arXiv · Машинное обучение Новый метод адаптивного обучения для работы с графовыми данными Исследователи представили метод Adaptive Recurrent Message Passing, который решает проблему несовместимости предобученных моделей с графовыми структурами данных. Традиционные архитектуры часто оказываются неэффективными при работе с графами из-за фиксированной структуры нейронных сетей, которая не учитывает динамическую природу связей между узлами. Новый подход позволяет моделям адаптироваться непосредственно в процессе вычислений, используя рекуррентную передачу сообщений. arXiv · Исследования и наука Новый метод машинного обучения для моделирования белков и лекарств Исследователи представили новый подход к созданию потенциалов межмолекулярного взаимодействия на основе машинного обучения, который позволяет моделировать сложные биомолекулярные системы с точностью методов ab initio. Разработка решает проблему низкой скорости вычислений, характерную для существующих моделей, открывая возможности для проведения симуляций микросекундного масштаба, критически важных для фармацевтических исследований и дизайна новых лекарственных препаратов. arXiv · Исследования и наука EnsembleEGNN: новая модель для предсказания свойств молекулярных ансамблей Исследователи представили EnsembleEGNN — фундаментальную модель для анализа молекулярных ансамблей, которая учитывает конформационную гибкость молекул. В отличие от традиционных подходов, использующих одну репрезентативную структуру, новая архитектура обрабатывает набор конформеров через общие слои эквивариантных графовых нейронных сетей (EGNN) с последующим пулингом, что значительно повышает точность предсказания свойств циклических пептидов. arXiv · Машинное обучение Новый метод аугментации данных с помощью диффузионных моделей Исследователи представили метод аугментации данных для семантической сегментации, решающий проблему нехватки редких объектов и визуального разнообразия. Алгоритм использует диффузионные модели для генерации синтетических данных, сохраняя при этом высокую точность разметки. Подход опирается на оценку неопределенности, что позволяет выборочно обновлять области изображения, минимизируя риск рассогласования между сгенерированными пикселями и исходными масками сегментации. arXiv · Машинное обучение Метод декомпозиции задач для повышения эффективности разметки данных Исследователи представили новый подход к разметке структурированных данных, основанный на декомпозиции сложных задач на более простые подзадачи. Метод позволяет значительно снизить затраты на создание качественных обучающих выборок, минимизируя необходимость в дорогостоящей ручной проверке результатов, полученных с помощью моделей, и повышая общую точность разметки для последующего обучения downstream-моделей. Hacker News · Машинное обучение Сравнение моделей машинного обучения в поиске низкомолекулярных лекарств Исследователи провели сравнительный анализ эффективности различных моделей машинного обучения при поиске низкомолекулярных соединений для фармацевтических разработок. В работе оценивается способность алгоритмов предсказывать биологическую активность молекул и их пригодность для создания лекарственных препаратов. Результаты подчеркивают критическую зависимость точности прогнозов от качества обучающих выборок и архитектурных особенностей используемых нейросетей в задачах хемоинформатики. arXiv · Машинное обучение Новый метод обучения для выявления мошенничества в графовых структурах Исследователи представили метод Diffusion-Guided Learning, решающий проблему нехватки размеченных данных при поиске мошеннических транзакций. Подход использует диффузионные модели для генерации синтетических признаков, что позволяет эффективно обучать классификаторы даже при сильном дисбалансе классов и разреженности графов, значительно повышая точность обнаружения аномалий в крупных финансовых системах. arXiv · Машинное обучение Эквивариантные графовые нейросети ускоряют поиск новых материалов Исследователи представили новый подход к прогнозированию оптических спектров материалов с использованием эквивариантных графовых нейронных сетей. Традиционные суррогатные модели часто ограничены использованием скалярных признаков, инвариантных к поворотам, что снижает точность описания геометрических свойств молекулярных структур. Применение эквивариантных архитектур позволяет нейросети учитывать пространственную ориентацию атомов и связей, значительно повышая выразительность модели при анализе сложных физических систем. arXiv · Исследования и наука Глубинные гауссовские процессы для направленных ациклических графов Исследователи представили новый метод моделирования сложных систем, основанный на глубинных гауссовских процессах, структурированных в виде направленных ациклических графов (DAG). Подход позволяет эффективно обрабатывать зашумленные и неоднородные данные, характерные для причинно-следственного анализа, генных сетей и многоуровневых инженерных систем, где функции взаимодействуют в рамках иерархических зависимостей. arXiv · Исследования и наука Аддитивная архитектура MLP-GNN для прогнозирования растворимости веществ Исследователи представили новый метод глубокого обучения для оценки растворимости химических соединений в воде, критически важного параметра в ранней разработке лекарств. В отличие от стандартных моделей, объединяющих данные в единый вектор, предложенная архитектура разделяет физико-химические дескрипторы и информацию о молекулярных графах, что позволяет интерпретировать вклад каждого компонента в итоговый прогноз.

← Все материалы