待验证50% 置信事实精确时间
分子表示方法中,SMILES 字符串紧凑、可直接套用语言模型,但不唯一、对细微结构变化不敏感;分子指纹(如 ECFP/Morgan 指纹)适合相似性搜索和传统机器学习,但丢失拓扑细节;图神经网络把原子当节点、化学键当边,是当前分子性质预测和生成的主流方案。
1
来源数
50%
置信度
长期有效
时效性
2026/10/13
首次发现
来源
涉及实体
相关事实
待验证同一分子可以有多种合法的SMILES表示(即非规范性),且字符串无法直接编码三维空间信息71% 相似待验证冻结指纹表在人类词相似度评测上取得0.594的Spearman相关性,而随机编码只有-0.057,说明固定指纹携带了有意义的语义结构60% 相似待验证Zettelkasten笔记法的核心原则包括原子化、唯一标识和显式连接,不强调层级目录而让结构从链接中自然涌现60% 相似待验证大语言模型可以将序列信息与文本知识联合推理,在发现弱同源性或功能类似但序列差异较大的蛋白家族时具有优势,区别于专为序列比对设计的工具如BLAST、HMMer57% 相似待验证研究者将大语言模型的高频文体模式称为LLM文体指纹,不同模型有各自的标志性表达56% 相似
引用此条事实
Stable URI
https://kongchang.com/claim/1021861API
curl https://kongchang.com/api/v1/knowledge/claims/1021861MCP
get_claim(id=1021861)