BriefGPT - AI 论文速递
·
利用 Transformer 和 RNN 在哺乳动物蛋白质中预测 O-GlcNA 修饰位点，使用新的损失函数训练
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
研究提出了一种新的分子性质预测方法SYN-FUSION，结合了图神经网络和Transformer的预训练特征，在MoleculeNet基准数据集上表现出卓越性能，优于以前的模型。与其他Graph-Transformer模型相比，性能相当。消融实验验证了SYN-FUSION的有效性，对预测分子性质有实质性改进。
🎯
关键要点
-
提出了一种新的分子性质预测方法SYN-FUSION。
-
SYN-FUSION结合了图神经网络和Transformer的预训练特征。
-
在MoleculeNet基准数据集上表现出卓越性能，优于以前的模型。
-
在5个分类数据集和6个回归数据集中具有优势。
-
与其他Graph-Transformer模型相比，性能相当。
-
消融实验验证了SYN-FUSION的有效性。
-
SYN-FUSION的协同效应超过了其各个模型组成部分。
-
在预测分子性质方面有实质性的改进。
➡️
