Fugu-MT 論文翻訳(概要): Continuous Representation of Molecules Using Graph Variational Autoencoder

論文の概要: Continuous Representation of Molecules Using Graph Variational Autoencoder

arxiv url: http://arxiv.org/abs/2004.08152v1
Date: Fri, 17 Apr 2020 10:19:55 GMT
ステータス: 処理完了
システム内更新日: 2022-12-12 13:34:18.709964
Title: Continuous Representation of Molecules Using Graph Variational Autoencoder
Title（参考訳）: グラフ変分オートエンコーダを用いた分子の連続表現
Authors: Mohammadamin Tavakoli and Pierre Baldi
Abstract要約: 本稿では,分子の2次元グラフ構造に作用するVAEの形で生成モデルを提案する。サイド予測器は、潜伏空間をプルークし、デコーダが意味のある分子の隣接テンソルを生成するのを助けるために用いられる。
参考スコア（独自算出の注目度）: 8.726908273226584
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In order to continuously represent molecules, we propose a generative model in the form of a VAE which is operating on the 2D-graph structure of molecules. A side predictor is employed to prune the latent space and help the decoder in generating meaningful adjacency tensor of molecules. Other than the potential applicability in drug design and property prediction, we show the superior performance of this technique in comparison to other similar methods based on the SMILES representation of the molecules with RNN based encoder and decoder.
Abstract（参考訳）: 分子を連続的に表現するために、分子の2dグラフ構造上で動作しているvaeの形の生成モデルを提案する。側予測器を用いて潜伏空間をプルークし、デコーダが意味のある分子の隣接テンソルを生成するのを助ける。薬物設計および特性予測の潜在的な適用性以外に、RNNを用いたエンコーダとデコーダを用いた分子のSMILES表現に基づく他の類似手法と比較して、この手法の優れた性能を示す。

関連論文リスト

Pre-trained Molecular Language Models with Random Functional Group Masking [54.900360309677794]
SMILESをベースとしたアンダーリネム分子アンダーリネム言語アンダーリネムモデルを提案し,特定の分子原子に対応するSMILESサブシーケンスをランダムにマスキングする。この技術は、モデルに分子構造や特性をよりよく推測させ、予測能力を高めることを目的としている。
論文参考訳（メタデータ） (2024-11-03T01:56:15Z)
Using GNN property predictors as molecule generators [16.34646723046073]
グラフニューラルネットワーク(GNN)は、物質や分子特性を正確に予測する強力なツールとして登場した。本稿では、これらのニューラルネットワークの可逆性を利用して、所望の電子特性を持つ分子構造を直接生成する。
論文参考訳（メタデータ） (2024-06-05T13:53:47Z)
Pre-training of Molecular GNNs via Conditional Boltzmann Generator [0.0]
分子配座のデータセットを用いた分子GNNの事前学習法を提案する。本モデルは,既存の事前学習法よりも分子特性の予測性能がよいことを示す。
論文参考訳（メタデータ） (2023-12-20T15:30:15Z)
MUDiff: Unified Diffusion for Complete Molecule Generation [104.7021929437504]
本稿では,原子の特徴,2次元離散分子構造,および3次元連続分子座標を含む分子の包括的表現を生成する新しいモデルを提案する。拡散過程を認知するための新しいグラフトランスフォーマーアーキテクチャを提案する。我々のモデルは、安定で多様な分子を設計するための有望なアプローチであり、分子モデリングの幅広いタスクに適用できる。
論文参考訳（メタデータ） (2023-04-28T04:25:57Z)
Graph neural networks for the prediction of molecular structure-property relationships [59.11160990637615]
グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。 GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
論文参考訳（メタデータ） (2022-07-25T11:30:44Z)
Chemical-Reaction-Aware Molecule Representation Learning [88.79052749877334]
本稿では,化学反応を用いて分子表現の学習を支援することを提案する。本手法は,1) 埋め込み空間を適切に整理し, 2) 分子埋め込みの一般化能力を向上させるために有効であることが証明された。実験結果から,本手法は様々なダウンストリームタスクにおける最先端性能を実現することが示された。
論文参考訳（メタデータ） (2021-09-21T00:08:43Z)
Dual-view Molecule Pre-training [186.07333992384287]
デュアルビュー分子事前学習は、両方のタイプの分子表現の強さを効果的に組み合わせることができる。 DMPは9つの分子特性予測タスクでテストされ、そのうち7つで最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2021-06-17T03:58:38Z)
A Graph VAE and Graph Transformer Approach to Generating Molecular Graphs [1.6631602844999724]
グラフ畳み込み層とグラフプーリング層をフル活用した変分オートエンコーダとトランスベースモデルを提案する。トランスモデルは新しいノードエンコーディング層を実装し、一般的にトランスフォーマーで使用される位置エンコーディングを置き換え、グラフ上で動く位置情報を持たないトランスフォーマーを生成する。実験では、生成ノードとエッジの両方の重要性を考慮して、分子生成のベンチマークタスクを選択しました。
論文参考訳（メタデータ） (2021-04-09T13:13:06Z)
Auto-Encoding Molecular Conformations [0.0]
提案モデルでは,分子グラフ内の原子の離散的な空間配置を連続的な固定サイズの潜在表現に変換する。また、我々のモデルを用いて、与えられた分子に対して様々なエネルギー的に好適な配座を生成できることを示す。
論文参考訳（メタデータ） (2021-01-05T16:09:10Z)
Physics-Constrained Predictive Molecular Latent Space Discovery with Graph Scattering Variational Autoencoder [0.0]
我々は小データ構造における変分推論とグラフ理論に基づく分子生成モデルを開発する。モデルの性能は、所望の目的特性を持つ分子を生成することによって評価される。
論文参考訳（メタデータ） (2020-09-29T09:05:27Z)
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)

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。