論文の概要: Persistent spectral based machine learning (PerSpect ML) for drug design

• arxiv url: http://arxiv.org/abs/2002.00582v1
• Date: Mon, 3 Feb 2020 07:14:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-04 09:32:57.255810
• Title: Persistent spectral based machine learning (PerSpect ML) for drug design
• Title（参考訳）: 薬物設計のための永続スペクトルベース機械学習(PerSpect ML)
• Authors: Zhenyu Meng, Kelin Xia
• Abstract要約: 薬物設計のための永続スペクトルベース機械学習(PerSpect ML)モデルを提案する。 我々は、11の永続スペクトル変数を考慮し、タンパク質-リガンド結合親和性予測における機械学習モデルの特徴として利用する。 これらのデータベースに対する私たちの結果は、知る限り、既存のすべてのモデルよりも優れています。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose persistent spectral based machine learning (PerSpect ML) models for drug design. Persistent spectral models, including persistent spectral graph, persistent spectral simplicial complex and persistent spectral hypergraph, are proposed based on spectral graph theory, spectral simplicial complex theory and spectral hypergraph theory, respectively. Different from all previous spectral models, a filtration process, as proposed in persistent homology, is introduced to generate multiscale spectral models. More specifically, from the filtration process, a series of nested topological representations, i,e., graphs, simplicial complexes, and hypergraphs, can be systematically generated and their spectral information can be obtained. Persistent spectral variables are defined as the function of spectral variables over the filtration value. Mathematically, persistent multiplicity (of zero eigenvalues) is exactly the persistent Betti number (or Betti curve). We consider 11 persistent spectral variables and use them as the feature for machine learning models in protein-ligand binding affinity prediction. We systematically test our models on three most commonly-used databases, including PDBbind-2007, PDBbind-2013 and PDBbind-2016. Our results, for all these databases, are better than all existing models, as far as we know. This demonstrates the great power of our PerSpect ML in molecular data analysis and drug design.
• Abstract（参考訳）: 本稿では,薬物設計のための永続スペクトルベース機械学習(PerSpect ML)モデルを提案する。 スペクトルグラフ理論、スペクトル単純複素理論、スペクトルハイパーグラフ理論に基づいて、永続スペクトルグラフ、永続スペクトル単純複素グラフ、永続スペクトルハイパーグラフを含む永続スペクトルモデルを提案する。 従来の全てのスペクトルモデルとは異なり、永続ホモロジーで提案されている濾過プロセスを導入し、マルチスケールスペクトルモデルを生成する。 より具体的には、濾過過程から、一連の入れ子化された位相表現 i,e。 グラフ、単体錯体、ハイパーグラフを体系的に生成でき、そのスペクトル情報を得ることができる。 永続スペクトル変数は、フィルタ値上のスペクトル変数の関数として定義される。 数学的には、永続的多重性(ゼロ固有値の)は、正確には持続的ベッチ数(またはベッチ曲線)である。 11の持続的スペクトル変数を検討し,タンパク質結合親和性予測における機械学習モデルの特徴として用いる。 pdbbind-2007, pdbbind-2013, pdbbind-2016, pdbbind-2016の3つのデータベースでモデルをテストする。 これらのデータベースに対する私たちの結果は、知る限り、既存のすべてのモデルよりも優れています。 これは、分子データ分析と薬物設計におけるPerSpect MLの大きな力を示しています。

関連論文リスト

• GrassNet: State Space Model Meets Graph Neural Network [57.62885438406724]
  Graph State Space Network (GrassNet)は、任意のグラフスペクトルフィルタを設計するためのシンプルで効果的なスキームを提供する理論的なサポートを持つ、新しいグラフニューラルネットワークである。 我々の知る限り、我々の研究はグラフGNNスペクトルフィルタの設計にSSMを使った最初のものである。 9つの公開ベンチマークでの大規模な実験により、GrassNetは現実世界のグラフモデリングタスクにおいて優れたパフォーマンスを達成することが明らかになった。
  論文  参考訳（メタデータ） (2024-08-16T07:33:58Z)
• Spectral Invariant Learning for Dynamic Graphs under Distribution Shifts [57.19908334882441]
  動的グラフニューラルネットワーク(DyGNN)は現在、動的グラフ固有の分散シフトを扱うのに苦労している。 本稿では,スペクトル領域における動的グラフの分布変化を初めて研究する。
  論文  参考訳（メタデータ） (2024-03-08T04:07:23Z)
• Graph Generation via Spectral Diffusion [51.60814773299899]
  本稿では,1)グラフラプラシア行列のスペクトル分解と2)拡散過程に基づく新しいグラフ生成モデルGRASPを提案する。 具体的には、固有ベクトルと固有値のサンプリングにデノナイジングモデルを用い、グラフラプラシアン行列と隣接行列を再構成する。 我々の置換不変モデルは各ノードの固有ベクトルに連結することでノードの特徴を扱える。
  論文  参考訳（メタデータ） (2024-02-29T09:26:46Z)
• HoloNets: Spectral Convolutions do extend to Directed Graphs [59.851175771106625]
  従来の知恵は、スペクトル畳み込みネットワークは無向グラフ上にしか展開できないと規定している。 ここでは、このグラフフーリエ変換への伝統的な依存が超フルであることを示す。 本稿では,新たに開発されたフィルタの周波数応答解釈を行い,フィルタ表現に使用するベースの影響を調査し,ネットワークを基盤とする特性演算子との相互作用について議論する。
  論文  参考訳（メタデータ） (2023-10-03T17:42:09Z)
• Mass Spectra Prediction with Structural Motif-based Graph Neural Networks [21.71309513265843]
  MoMS-Netは、構造モチーフから得られる情報とグラフニューラルネットワーク(GNN)の実装を用いて質量スペクトルを予測するシステムである。 我々は、様々な質量スペクトルでモデルを試験し、既存のモデルよりもその優位性を観察した。
  論文  参考訳（メタデータ） (2023-06-28T10:33:57Z)
• Specformer: Spectral Graph Neural Networks Meet Transformers [51.644312964537356]
  スペクトルグラフニューラルネットワーク(GNN)は、スペクトル領域グラフ畳み込みを通じてグラフ表現を学習する。 本稿では、全ての固有値の集合を効果的に符号化し、スペクトル領域で自己アテンションを行うSpecformerを紹介する。 複数のSpecformerレイヤを積み重ねることで、強力なスペクトルGNNを構築することができる。
  論文  参考訳（メタデータ） (2023-03-02T07:36:23Z)
• Ensemble Spectral Prediction (ESP) Model for Metabolite Annotation [10.640447979978436]
  メタボロミクスの鍵となる課題は、化学的なアイデンティティを持つ生物学的サンプルから測定されたスペクトルを注釈付けすることである。 メタボライトアノテーションのための新しい機械学習モデルEnsemble Spectral Prediction (ESP)を提案する。
  論文  参考訳（メタデータ） (2022-03-25T17:05:41Z)
• Implicit Data-Driven Regularization in Deep Neural Networks under SGD [0.0]
  訓練されたディープニューラルネットワーク(DNN)に関与する大きなランダム行列のスペクトル解析 これらのスペクトルは、Marvcenko-Pasturスペクトル(MP)、Marvcenko-Pasturスペクトル(MPB)、Heav tailed spectrum(HT)の3種類に分類される。
  論文  参考訳（メタデータ） (2021-11-26T06:36:16Z)
• Gaussian Processes on Graphs via Spectral Kernel Learning [9.260186030255081]
  グラフのノード上で定義された信号の予測のためのグラフスペクトルに基づくガウス過程を提案する。 合成実験におけるモデルの解釈可能性を示し、様々な基底真理スペクトルフィルタを精度良く回収できることを示す。
  論文  参考訳（メタデータ） (2020-06-12T17:51:22Z)
• Spectral Learning on Matrices and Tensors [74.88243719463053]
  テンソル分解は行列法で欠落する潜伏効果を拾うことができることを示す。 また,効率的なテンソル分解法を設計するための計算手法についても概説する。
  論文  参考訳（メタデータ） (2020-04-16T22:53:00Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。