用于学习分子图的分层消息间传递 这是用于学习分子图的分层消息间传递的 PyTorch 实现，如我们的论文中所述： Matthias Fey、Jan-Gin Yuen、Frank Weichert：(GRL+ 2020) 要求 (>=1.4.0) (>=1.5.0) (>=1.1.0) 实验 可以通过以下方式运行实验： $ python train_zinc_subset.py $ python train_zinc_full.py $ python train_hiv.py $ python train_muv.py $ python train_tox21.py $ python train_ogbhiv.py $ python train_ogbpcba.py 引用 如果您在自己的工作中使用此代码，请引用： @inproceedings{Fey/etal/2020,

DeepGCN：GCN可以像CNN一样深入吗？ 在这项工作中，我们提出了成功训练非常深的GCN的新方法。 我们从CNN借用概念，主要是残差/密集连接和膨胀卷积，然后将其适应GCN架构。 通过广泛的实验，我们证明了这些深层GCN框架的积极作用。 概述 我们进行了广泛的实验，以展示不同的组件（＃Layers，＃Filters，＃Nearest Neighbors，Dilation等）如何影响DeepGCNs 。 我们还提供了针对不同类型的深层GCN（MRGCN，EdgeConv，GraphSage和GIN）的消融研究。 进一步的信息和详细信息，请联系和 。 要求 （仅用于可视化） （仅用于可视化） conda环境 为了设置运行所有必要依赖项的conda环境， conda env create -f environment.yml 入门 您将在文件夹中找到有关如何使用我们的代码对3

MaSIF-分子表面相互作用指纹：进行几何深度学习以破译蛋白质分子表面中的图案。 目录： Docker容器 执照 参考 描述 MaSIF是一种概念验证方法，可解密对于特定生物分子相互作用至关重要的蛋白质表面中的模式。 为此，MaSIF利用了几何深度学习领域的技术。 首先，MaSIF将表面分解为具有固定测地线半径的重叠径向小块，其中每个点都分配有一系列几何和化学特征。 然后，MaSIF为每个表面补丁计算一个描述符，该描述符是对补丁中存在的特征的描述进行编码的向量。 然后，可以在一组附加层中处理此描述符，在其中可以对不同的交互进行分类。 每个描述符和最终输出中编码的功能取决于特定于应用程序的训练数据和优化目标，这意味着可以将同一体系结构重新用于各种任务。 该存储库包含一个协议，用于将蛋白质结构文件准备为功能丰富的表面（具有几何和化学特征），将其分解为补丁，以及基于tensorflow的神经

几何深度学习