本文介绍四川大学化学学院/化学与生物信息学实验室蒲雪梅教授团队发表在《Nature Communications》上的一篇论文“Coupling complementary strategy to flexible graph neural network for quick discovery of coformer in diverse co-crystal materials”。本文从数据集、样本表征和模型构建三方面着手，开发了一种准确度高普适性强的基于图神经网络框架共晶筛选模型 CCGNet (Co-crystal Graph Net)。为了证明其特征表示和模型框架的先进性，作者做了消融实验。特征对比实验的结果揭示：虽然分子图具有强的结构表达能力，但是图神经网络在有限的数据中不能有效学习到与共晶形成密切相关的三维结构信息，因此与三维结构相关的描述符的引入显著提高了模型的准确率，指出了先验知识的融入可提升深度学习在有限数据中对样本特征的学习能力。作者所提出的这些构建策略可为深度学习的应用提供指导和参考作用。

论文地址：https://rdcu.be/czmAI

代码地址：https://github.com/Saoge123/ccgnet

内容中包含的图片若涉及版权问题，请及时与我们联系删除