論文の概要: Hierarchical Generation of Molecular Graphs using Structural Motifs

• arxiv url: http://arxiv.org/abs/2002.03230v2
• Date: Sat, 18 Apr 2020 15:14:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-02 22:29:02.779318
• Title: Hierarchical Generation of Molecular Graphs using Structural Motifs
• Title（参考訳）: 構造モチーフを用いた分子グラフの階層生成
• Authors: Wengong Jin, Regina Barzilay, Tommi Jaakkola
• Abstract要約: 本稿では,より大きく柔軟なグラフモチーフを基本構成ブロックとして利用する階層型グラフエンコーダデコーダを提案する。 エンコーダは、原子から連結モチーフまで、各分子の微細から粗い方法で多分解能表現を生成する。 我々は,高分子を含む複数の分子生成タスクにおけるモデルの評価を行い,そのモデルが従来の最先端のベースラインを著しく上回っていることを示す。
• 参考スコア（独自算出の注目度）: 38.637412590671865
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph generation techniques are increasingly being adopted for drug discovery. Previous graph generation approaches have utilized relatively small molecular building blocks such as atoms or simple cycles, limiting their effectiveness to smaller molecules. Indeed, as we demonstrate, their performance degrades significantly for larger molecules. In this paper, we propose a new hierarchical graph encoder-decoder that employs significantly larger and more flexible graph motifs as basic building blocks. Our encoder produces a multi-resolution representation for each molecule in a fine-to-coarse fashion, from atoms to connected motifs. Each level integrates the encoding of constituents below with the graph at that level. Our autoregressive coarse-to-fine decoder adds one motif at a time, interleaving the decision of selecting a new motif with the process of resolving its attachments to the emerging molecule. We evaluate our model on multiple molecule generation tasks, including polymers, and show that our model significantly outperforms previous state-of-the-art baselines.
• Abstract（参考訳）: グラフ生成技術は薬品の発見にますます採用されている。 従来のグラフ生成アプローチでは、原子や単純なサイクルのような比較的小さな分子構築ブロックを使用しており、その効果を小さな分子に制限している。 実際、我々が示すように、その性能はより大きな分子に対して著しく低下する。 本稿では,より大きく柔軟なグラフモチーフを基本構成要素として用いた新しい階層型グラフエンコーダ・デコーダを提案する。 エンコーダは、原子から連結モチーフまで、各分子の細粒度で多分解能表現を生成する。 各レベルは以下の構成要素のエンコーディングと、そのレベルのグラフを統合する。 自己回帰型粗粒デコーダは、1つのモチーフを1つ加え、新しいモチーフを選択する決定と、その新規分子へのアタッチメントの解決の過程をインターリーブする。 我々は, 高分子を含む複数の分子生成タスクにおいて, モデルの評価を行い, 従来のベースラインを大きく上回ることを示した。

関連論文リスト

• GraphXForm: Graph transformer for computer-aided molecular design with application to extraction [73.1842164721868]
  本稿では,デコーダのみのグラフトランスフォーマアーキテクチャであるGraphXFormについて述べる。 液液抽出のための2つの溶媒設計課題について評価し,4つの最先端分子設計技術より優れていることを示した。
  論文  参考訳（メタデータ） (2024-11-03T19:45:15Z)
• MolGrapher: Graph-based Visual Recognition of Chemical Structures [50.13749978547401]
  化学構造を視覚的に認識するためにMolGrapherを導入する。 すべての候補原子と結合をノードとして扱い、それらをグラフ化する。 グラフニューラルネットワークを用いてグラフ内の原子と結合ノードを分類する。
  論文  参考訳（メタデータ） (2023-08-23T16:16:11Z)
• Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [55.42602325017405]
  本稿では,分子の2レベル構造を考慮した新しいGODE法を提案する。 異なるグラフ構造上で2つのグラフニューラルネットワーク(GNN)を事前訓練し、対照的な学習と組み合わせることで、GODEは分子構造を対応する知識グラフサブ構造と融合させる。 11の化学特性タスクを微調整した場合、我々のモデルは既存のベンチマークよりも優れており、分類タスクの平均ROC-AUCアップリフトは13.8%、回帰タスクの平均RMSE/MAEエンハンスメントは35.1%である。
  論文  参考訳（メタデータ） (2023-06-02T15:49:45Z)
• MolHF: A Hierarchical Normalizing Flow for Molecular Graph Generation [4.517805235253331]
  MolHFは分子グラフを粗い方法で生成する新しい階層型フローベースモデルである。 MolHFは100以上の重原子を持つより大きな分子(ポリマー)をモデル化するための最初のフローベースモデルである。
  論文  参考訳（メタデータ） (2023-05-15T08:59:35Z)
• Molecular Graph Representation Learning via Heterogeneous Motif Graph Construction [19.64574177805823]
  ヘテロジニアスなモチーフグラフを構築することによって,新しい分子グラフ表現学習法を提案する。 特に、モチーフノードと分子ノードを含む不均一モチーフグラフを構築する。 本モデルでは, エッジサンプリングを用いて, 計算資源を著しく減らし, 類似した性能が得られることを示す。
  論文  参考訳（メタデータ） (2022-02-01T16:21:01Z)
• Molecular Graph Generation via Geometric Scattering [7.796917261490019]
  グラフニューラルネットワーク(GNN)は、薬物の設計と発見の問題を解決するために広く使われている。 分子グラフ生成における表現第一のアプローチを提案する。 我々のアーキテクチャは、医薬品のデータセットの有意義な表現を学習し、目標指向の薬物合成のためのプラットフォームを提供する。
  論文  参考訳（メタデータ） (2021-10-12T18:00:23Z)
• GraphPiece: Efficiently Generating High-Quality Molecular Graph with Substructures [7.021635649909492]
  分子グラフからエムグラフと呼ばれる共通部分構造を自動的に発見する手法を提案する。 グラフの断片に基づいて,変分オートエンコーダを用いて2つの相の分子を生成する。
  論文  参考訳（メタデータ） (2021-06-29T05:26:18Z)
• Molecular graph generation with Graph Neural Networks [2.7393821783237184]
  MG2N2と呼ばれる一連のグラフニューラルネットワークモジュールに基づくシーケンシャルな分子グラフジェネレーターを紹介します。 我々のモデルは、過度に適合することなく、トレーニング段階で見られる分子パターンを一般化することができる。
  論文  参考訳（メタデータ） (2020-12-14T10:32:57Z)
• Conditional Constrained Graph Variational Autoencoders for Molecule Design [70.59828655929194]
  本稿では、このキーイデアを最先端のモデルで実装した、条件制約付きグラフ変分オートエンコーダ(CCGVAE)を提案する。 分子生成のために広く採用されている2つのデータセットについて、いくつかの評価指標について改善した結果を示す。
  論文  参考訳（メタデータ） (2020-09-01T21:58:07Z)
• Self-Supervised Graph Transformer on Large-Scale Molecular Data [73.3448373618865]
  分子表現学習のための新しいフレームワークGROVERを提案する。 GROVERは、分子の豊富な構造的および意味的な情報を、巨大な未標識分子データから学習することができる。 分子表現学習において、最大のGNNであり、最大のトレーニングデータセットである、1000万個の未標識分子に1億のパラメータを持つGROVERを事前訓練します。
  論文  参考訳（メタデータ） (2020-06-18T08:37:04Z)

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。