Buchumschlag

Graph neural networks for the prediction of molecular structure-property relationships

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Rittig, Jan G., Gao, Qinghe, Dahmen, Manuel, Mitsos, Alexander, Schweidtmann, Artur M.
Format:	Preprint
Veröffentlicht:	2022
Schlagworte:	Biomolecules Machine Learning Optimization and Control
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Flowsheet synthesis through hierarchical reinforcement learning and graph neural networks
von: Stops, Laura, et al.
Veröffentlicht: (2022)

GraphXForm: Graph transformer for computer-aided molecular design
von: Pirnay, Jonathan, et al.
Veröffentlicht: (2024)

Sample-Efficient Reinforcement Learning of Koopman eNMPC
von: Mayfrank, Daniel, et al.
Veröffentlicht: (2025)

GENEOnet: A new machine learning paradigm based on Group Equivariant Non-Expansive Operators. An application to protein pocket detection
von: Bocchi, Giovanni, et al.
Veröffentlicht: (2022)

Task-optimal data-driven surrogate models for eNMPC via differentiable simulation and optimization
von: Mayfrank, Daniel, et al.
Veröffentlicht: (2024)

Graph Neural Networks for Temperature-Dependent Activity Coefficient Prediction of Solutes in Ionic Liquids
von: Rittig, Jan G., et al.
Veröffentlicht: (2022)

End-to-End Reinforcement Learning of Koopman Models for eNMPC of an Air Separation Unit
von: Mayfrank, Daniel, et al.
Veröffentlicht: (2025)

DCI: An Accurate Quality Assessment Criteria for Protein Complex Structure Models
von: Wang, Wenda, et al.
Veröffentlicht: (2024)

Physical Pooling Functions in Graph Neural Networks for Molecular Property Prediction
von: Schweidtmann, Artur M., et al.
Veröffentlicht: (2022)

T- Hop: A framework for studying the importance path information in molecular graphs for chemical property prediction
von: Ibraheem, Abdulrahman, et al.
Veröffentlicht: (2024)

Robust Design of Multi-Energy Systems Accounting for Mixed-Integer Operational Problems
von: Wedemeyer, Moritz, et al.
Veröffentlicht: (2026)

DeepEOSNet: Capturing the dependency on thermodynamic state in property prediction tasks
von: Pavšek, Jan, et al.
Veröffentlicht: (2025)

Data-driven Nonlinear Model Reduction using Koopman Theory: Integrated Control Form and NMPC Case Study
von: Schulze, Jan C., et al.
Veröffentlicht: (2024)

Data augmentation for machine learning of chemical process flowsheets
von: Balhorn, Lukas Schulze, et al.
Veröffentlicht: (2023)

Classifier-free graph diffusion for molecular property targeting
von: Ninniri, Matteo, et al.
Veröffentlicht: (2023)

HCAF-DTA: drug-target binding affinity prediction with cross-attention fused hypergraph neural networks
von: Li, Jiannuo, et al.
Veröffentlicht: (2025)

Multiscale guidance of protein structure prediction with heterogeneous cryo-EM data
von: Raghu, Rishwanth, et al.
Veröffentlicht: (2025)

Nonlinear Model Order Reduction of Dynamical Systems in Process Engineering: Review and Comparison
von: Schulze, Jan C., et al.
Veröffentlicht: (2025)

Robust Energy System Design via Semi-infinite Programming
von: Wedemeyer, Moritz, et al.
Veröffentlicht: (2024)

Fair splits flip the leaderboard: CHANRG reveals limited generalization in RNA secondary-structure prediction
von: Chen, Zhiyuan, et al.
Veröffentlicht: (2026)

End-to-End Reinforcement Learning of Koopman Models for Economic Nonlinear Model Predictive Control
von: Mayfrank, Daniel, et al.
Veröffentlicht: (2023)

Obey validity limits of data-driven models
von: Schweidtmann, Artur M, et al.
Veröffentlicht: (2020)

Quadratic unconstrained binary optimization and constraint programming approaches for lattice-based cyclic peptide docking
von: Brubaker, J. Kyle, et al.
Veröffentlicht: (2024)

Graph-structured Small Molecule Drug Discovery Through Deep Learning: Progress, Challenges, and Opportunities
von: Li, Kun, et al.
Veröffentlicht: (2025)

Optimal message passing for molecular prediction is simple, attentive and spatial
von: Castaneda-Leautaud, Alma C., et al.
Veröffentlicht: (2025)

Heterogeneous networks in drug-target interaction prediction
von: Molaee, Mohammad, et al.
Veröffentlicht: (2025)

Tabular foundation models for in-context prediction of molecular properties
von: Hicham, Karim K. Ben, et al.
Veröffentlicht: (2026)

FLOWR.root: A flow matching based foundation model for joint multi-purpose structure-aware 3D ligand generation and affinity prediction
von: Cremer, Julian, et al.
Veröffentlicht: (2025)

Optimal Strategy for Stabilizing Protein Folding Intermediates
von: Wang, Mengshou, et al.
Veröffentlicht: (2024)

MolGraph-xLSTM: A graph-based dual-level xLSTM framework with multi-head mixture-of-experts for enhanced molecular representation and interpretability
von: Sun, Yan, et al.
Veröffentlicht: (2025)

SAFE setup for generative molecular design
von: Mesbahi, Yassir El, et al.
Veröffentlicht: (2024)

Comprehensive benchmarking of large language models for RNA secondary structure prediction
von: Zablocki, L. I., et al.
Veröffentlicht: (2024)

Lift Your Molecules: Molecular Graph Generation in Latent Euclidean Space
von: Ketata, Mohamed Amine, et al.
Veröffentlicht: (2024)

Unified all-atom molecule generation with neural fields
von: Kirchmeyer, Matthieu, et al.
Veröffentlicht: (2025)

KITE-DDI: A Knowledge graph Integrated Transformer Model for accurately predicting Drug-Drug Interaction Events from Drug SMILES and Biomedical Knowledge Graph
von: Tamir, Azwad, et al.
Veröffentlicht: (2024)

Smart energy management: process structure-based hybrid neural networks for optimal scheduling and economic predictive control in integrated systems
von: Wu, Long, et al.
Veröffentlicht: (2024)

Score-based 3D molecule generation with neural fields
von: Kirchmeyer, Matthieu, et al.
Veröffentlicht: (2025)

A constrained optimization approach to improve robustness of neural networks
von: Zhao, Shudian, et al.
Veröffentlicht: (2024)

In-Context Learning can distort the relationship between sequence likelihoods and biological fitness
von: Kantroo, Pranav, et al.
Veröffentlicht: (2025)

Approximate non-linear model predictive control with safety-augmented neural networks
von: Hose, Henrik, et al.
Veröffentlicht: (2023)