本研究比较了视频序列中微笑真实性评估的手工特征与深度学习特征的优缺点。结合长短期记忆网络和面部动作单元动态特征，实验结果表明该方法在实时评估中优于基线技术，对情感识别领域具有重要意义。
本研究提出了一种基于化学指纹的语言模型，克服了传统SMILES格式的局限性，并引入双模态架构，显著提升了QSAR和NMR谱预测的性能。
本研究探讨了大型语言模型（LLM）在化学领域的安全漏洞，特别是其提供危险物质合成指令的能力。提出了一种新颖的SMILES提示攻击技术，有效绕过现有安全机制，强调了加强特定领域安全防护的必要性。
本文介绍了多种基于人工智能的药物发现新方法，包括多模态注意力卷积编码器、SMILES Transformer、ImDrug库和Syngand模型。这些方法旨在提高药物敏感性预测、解决数据不平衡问题，并优化小分子药物的ADMET特性，展示了AI在药物研发中的重要应用潜力。
上海交通大学的研究团队在《Journal of Cheminformatics》上发表了一篇关于逆合成预测的研究。他们提出了一种无监督的SMILES序列对齐技术，用于提高化学反应预测的准确性和效率。实验证明该模型在预测逆合成路径方面有效，并有潜力成为药物发现的有价值工具。作者还提出了一种基于图注意力网络的变体，用于提供更强大的分子表征能力。实验结果显示该模型在多个数据集上的性能优于其他基线模型，并且生成的合成方案具有更高的合法性和可行性。作者认为该模型具有广泛的应用潜力，并可以作为构建多步逆合成系统的基石。
ChEMBL是一个大型的化学分子数据库，收集了大量化合物的化学、生物学数据。本文介绍了使用ChEMBL的Web API和PostgreSQL将ChEMBL ID转化为SMILES的方法。使用Web API可以通过ChEMBL ID过滤分子并提取其SMILES信息。使用PostgreSQL可以将ChEMBL ID导入数据库并查询对应的SMILES。这些方法都可以方便地将ChEMBL ID转换为其他分子表示。
完成下面两步后，将自动完成登录并继续当前操作。
