論文の概要: Multi-Objective Molecule Generation using Interpretable Substructures

• arxiv url: http://arxiv.org/abs/2002.03244v3
• Date: Thu, 2 Jul 2020 19:28:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-02 22:40:10.280514
• Title: Multi-Objective Molecule Generation using Interpretable Substructures
• Title（参考訳）: 解釈可能な構造を用いた多目的分子生成
• Authors: Wengong Jin, Regina Barzilay, Tommi Jaakkola
• Abstract要約: 薬物発見は、特定の化学的性質を持つ新規化合物を見つけることを目的としている。 目的は、複数の性質制約の交わりで分子をサンプリングすることを学ぶことである。 我々は、分子の合理性と呼ばれる部分構造の語彙から分子を構成することによって、この複雑さを相殺することを提案する。
• 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: Drug discovery aims to find novel compounds with specified chemical property profiles. In terms of generative modeling, the goal is to learn to sample molecules in the intersection of multiple property constraints. This task becomes increasingly challenging when there are many property constraints. We propose to offset this complexity by composing molecules from a vocabulary of substructures that we call molecular rationales. These rationales are identified from molecules as substructures that are likely responsible for each property of interest. We then learn to expand rationales into a full molecule using graph generative models. Our final generative model composes molecules as mixtures of multiple rationale completions, and this mixture is fine-tuned to preserve the properties of interest. We evaluate our model on various drug design tasks and demonstrate significant improvements over state-of-the-art baselines in terms of accuracy, diversity, and novelty of generated compounds.
• Abstract（参考訳）: 創薬の目的は、特定の化学的性質のプロファイルを持つ新規化合物を見つけることである。 生成的モデリングの観点では、複数の性質制約の交差する分子のサンプリングを学ぶことが目的である。 プロパティの制約が多ければ,このタスクはますます難しくなります。 我々は、分子の合理性と呼ばれる部分構造の語彙から分子を構成することによって、この複雑さを相殺することを提案する。 これらの有理性は、分子から、興味のそれぞれの性質に責任を負う可能性のあるサブ構造として特定される。 そして、グラフ生成モデルを用いて有理を全分子に拡張することを学ぶ。 最終生成モデルでは、分子を複数の有理補体の混合物として構成し、この混合物は興味のある性質を保持するために微調整される。 薬物設計タスクにおける本モデルの評価を行い, 生成化合物の精度, 多様性, 新規性の観点から, 最先端のベースラインに対する顕著な改善を示す。

関連論文リスト

• Diffusing on Two Levels and Optimizing for Multiple Properties: A Novel Approach to Generating Molecules with Desirable Properties [33.2976176283611]
  本稿では,分子を望ましい性質で生成する新しい手法を提案する。 望ましい分子断片を得るため,我々は新しい電子効果に基づくフラグメンテーション法を開発した。 提案手法により生成する分子は, 従来のSOTAモデルより有効, 特異性, 新規性, Fr'echet ChemNet Distance (FCD), QED, PlogP を有することを示す。
  論文  参考訳（メタデータ） (2023-10-05T11:43:21Z)
• Molecule Design by Latent Space Energy-Based Modeling and Gradual Distribution Shifting [53.44684898432997]
  化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。 本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。 本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
  論文  参考訳（メタデータ） (2023-06-09T03:04:21Z)
• Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
  我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。 我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。 複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
  論文  参考訳（メタデータ） (2023-02-04T01:32:40Z)
• Domain-Agnostic Molecular Generation with Chemical Feedback [44.063584808910896]
  MolGenは、分子生成に特化した事前訓練された分子言語モデルである。 1億以上の分子SELFIESを再構成することで構造的および文法的な洞察を内部化する。 我々の化学フィードバックパラダイムは、モデルを分子幻覚から遠ざけ、モデルの推定確率と実世界の化学的嗜好との整合性を確保する。
  論文  参考訳（メタデータ） (2023-01-26T17:52:56Z)
• Interpretable Molecular Graph Generation via Monotonic Constraints [19.401468196146336]
  ディープグラフ生成モデルは、分子設計をグラフ生成問題として扱う。 既存のモデルには多くの欠点があり、解釈性や所望の分子特性に対する制御性が低い。 本稿では,分子生成の解釈可能なモデルと深層制御可能なモデルを用いた新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-02-28T08:35:56Z)
• Scalable Fragment-Based 3D Molecular Design with Reinforcement Learning [68.8204255655161]
  分子構築に階層的エージェントを用いるスケーラブルな3D設計のための新しいフレームワークを提案する。 様々な実験において、エネルギーのみを考慮に入れたエージェントが、100以上の原子を持つ分子を効率よく生成できることが示されている。
  論文  参考訳（メタデータ） (2022-02-01T18:54:24Z)
• Fragment-based molecular generative model with high generalization ability and synthetic accessibility [0.0]
  本稿では, ターゲット特性を持つ新規分子を設計するフラグメントに基づく分子生成モデルを提案する。 我々のモデルの重要な特徴は、プロパティ制御とフラグメントタイプの観点からの高度な一般化能力である。 モデルでは,複数のターゲット特性を同時に制御した分子を高い成功率で生成できることを示す。
  論文  参考訳（メタデータ） (2021-11-25T04:44:37Z)
• Barking up the right tree: an approach to search over molecule synthesis DAGs [28.13323960125482]
  現在の分子の深層生成モデルは合成可能性を無視している。 我々は,現実世界のプロセスをよりよく表現する深い生成モデルを提案する。 我々のアプローチは化学空間をうまくモデル化でき、幅広い多様な分子を生成できることを示します。
  論文  参考訳（メタデータ） (2020-12-21T17:35:06Z)
• Learning Latent Space Energy-Based Prior Model for Molecule Generation [59.875533935578375]
  分子モデリングのためのSMILES表現を用いた潜時空間エネルギーに基づく先行モデルについて学習する。 本手法は,最先端モデルと競合する妥当性と特異性を持つ分子を生成することができる。
  論文  参考訳（メタデータ） (2020-10-19T09:34:20Z)
• MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [51.00815310242277]
  生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。 本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
  論文  参考訳（メタデータ） (2020-10-05T20:18:42Z)

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。