DG-GL：基于微分几何的分子数据集几何学习
定量方法
2018-06-12 v1 生物大分子
摘要
动机：尽管微分几何（DG）在各种物理建模中取得巨大成功，但由于对其在降维中的潜在能力以及将关键化学与生物信息编码到可微流形中的能力理解有限，DG 很少被设计为分析大型、多样且复杂分子与生物分子数据集的通用工具。结果：我们提出一种基于微分几何的几何学习（DG-GL）假设，即三维（3D）分子结构的内在物理规律位于嵌入高维数据空间的一族低维流形上。我们将关键的化学、物理与生物信息编码到 2D 元素交互流形中，这些流形通过使用可微密度估计器的多尺度离散到连续映射从高维结构数据空间提取。利用微分几何工具为某些解析可微密度估计器以解析形式构造元素交互曲率（高斯曲率、平均曲率、最小曲率和最大曲率）。这些低维微分几何表示与一种鲁棒机器学习算法配对，以展示其对大型、多样且复杂分子与生物分子数据集的描述与预测能力。进行了大量数值实验证明，所提出的 DG-GL 策略在药物发现相关的蛋白-配体结合亲和力、药物毒性和分子溶剂化自由能预测中优于其他先进方法。
引用
@article{arxiv.1806.03765,
title = {DG-GL: Differential geometry based geometric learning of molecular datasets},
author = {Duc Duy Nguyen and Guo-Wei Wei},
journal= {arXiv preprint arXiv:1806.03765},
year = {2018}
}
备注
28 pages, 14 figures