一
论文题目：
Morphological and molecular breast cancer profiling through explainable machine learning
论文摘要：
癌症研究和诊断的最新进展很大程度上依赖于微观或分子谱分析技术的新发展，这些技术提供了关于空间或分子特征的高水平细节，但通常不是两者都能提供。在这里，我们提出了一种可解释的机器学习方法，用于综合分析乳腺癌组织学的形态学、分子和临床特征。首先，本文的方法允许在组织学图像中健壮地检测癌细胞和肿瘤浸润淋巴细胞，提供精确的热图可视化解释分类器决策。其次，从组织学上预测分子特征，包括DNA甲基化、基因表达、拷贝数变异、体细胞突变和蛋白质。分子预测达到平衡的准确性高达78%，而准确率可以达到95%以上的亚组患者。最后，本文可解释的人工智能方法允许评估形态和分子癌症属性之间的联系。通过对组织学、临床和分子特征的综合诊断评分，计算得到的多重组织学分析有助于促进基础癌症研究和精准医学。
论文链接：
https://www.nature.com/articles/s42256-021-00303-4
二
论文题目：
Geometric deep learning on molecular representations
论文摘要:
几何深度学习(GDL)是基于融合和处理对称信息的神经网络结构。GDL为依赖于具有不同对称性和抽象水平的分子表示的分子建模应用带来了希望。这篇综述对分子GDL进行了结构和协调的概述，重点介绍了它在药物发现、化学合成预测和量子化学中的应用。它介绍了GDL的原理，以及相关的分子表示，如分子图、grids, surfaces and strings，以及它们各自的性质。讨论了GDL目前在分子科学领域面临的挑战，并尝试对未来的机遇进行了预测。
论文链接：
https://arxiv.org/pdf/2107.12375.pdf
三
论文题目：
A geometric deep learning approach to predict binding conformations of bioactive molecules
论文摘要:
了解配体与其分子靶标之间的相互作用是指导分子优化的关键。为了更好地理解这些分子间相互作用，人们采用了不同的实验和计算方法。在这里，作者介绍了一种基于几何深度学习的方法，能够预测配体与蛋白质靶标的结合构象。该模型基于距离似然来学习统计势，该距离似然是为每个配体-靶对量身定做的。这种方法可以与全局优化算法相结合来重现配体的实验结合构象。实验表明，这里描述的基于距离似然性的方法在对接和筛选任务中的表现与成熟的评分函数相似或更好。总体而言，这种方法代表了一个例子，说明了如何使用人工智能来改进基于结构的药物设计。
论文链接：
https://www.nature.com/articles/s42256-021-00409-9#code-availability
Github:
https://github.com/OptiMaL-PSE-Lab/DeepDock
四
论文题目：
Geometry-enhanced molecular representation learning for property prediction 论文摘要：
有效的分子表示学习对于分子性质预测具有重要意义。分子表示学习的最新进展显示了将图神经网络应用于分子模型的巨大前景。此外，最近的一些研究设计了分子表示的自监督学习方法，以解决标记分子不足的问题;然而，这些自监督框架没有充分利用分子的几何信息，而是将分子视为拓扑图形。分子的几何形状，也被称为分子的三维空间结构，是决定分子性质的关键。为此，我们提出了一种新的几何增强分子表示学习方法(GEM)。提出的GEM具有专门设计的基于几何的图神经网络结构，以及几种专门的几何级自监督学习策略来学习分子几何知识。我们在不同的基准上比较了创业板与各种最先进的基准，表明它可以大大超过所有的基准，证明了所提出的方法的优越性。
论文链接：
https://www.nature.com/articles/s42256-021-00438-4
