論文の概要: Improved Conditional Flow Models for Molecule to Image Synthesis
- arxiv url: http://arxiv.org/abs/2006.08532v1
- Date: Mon, 15 Jun 2020 16:39:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-21 04:18:50.157606
- Title: Improved Conditional Flow Models for Molecule to Image Synthesis
- Title（参考訳）: 分子画像合成のための条件流モデルの改良
- Authors: Karren Yang, Samuel Goldman, Wengong Jin, Alex Lu, Regina Barzilay,
Tommi Jaakkola, Caroline Uhler
- Abstract要約: Mol2Imageは、分子から細胞への画像合成のためのフローベース生成モデルである。
セル特徴を異なる解像度で生成し,高解像度画像にスケールするために,我々は新しいマルチスケールフローアーキテクチャを開発した。
生成した画像と分子介入の相互情報を最大化するために,コントラスト学習に基づくトレーニング戦略を考案した。
- 参考スコア（独自算出の注目度）: 37.886816307827196
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In this paper, we aim to synthesize cell microscopy images under different
molecular interventions, motivated by practical applications to drug
development. Building on the recent success of graph neural networks for
learning molecular embeddings and flow-based models for image generation, we
propose Mol2Image: a flow-based generative model for molecule to cell image
synthesis. To generate cell features at different resolutions and scale to
high-resolution images, we develop a novel multi-scale flow architecture based
on a Haar wavelet image pyramid. To maximize the mutual information between the
generated images and the molecular interventions, we devise a training strategy
based on contrastive learning. To evaluate our model, we propose a new set of
metrics for biological image generation that are robust, interpretable, and
relevant to practitioners. We show quantitatively that our method learns a
meaningful embedding of the molecular intervention, which is translated into an
image representation reflecting the biological effects of the intervention.
- Abstract（参考訳）: 本稿では, 薬物開発への実用的な応用を動機とし, 異なる分子介入下での細胞顕微鏡像の合成を目標とする。
分子埋め込み学習のためのグラフニューラルネットワークと画像生成のためのフローベースモデルを構築し,分子から細胞への画像合成のためのフローベース生成モデル Mol2Image を提案する。
セルの特徴を異なる解像度で生成し,高解像度画像にスケールするために,Haarウェーブレット画像ピラミッドに基づく新しいマルチスケールフローアーキテクチャを開発した。
生成した画像と分子介入の相互情報を最大化するために,コントラスト学習に基づくトレーニング戦略を考案した。
本モデルを評価するために, 生体画像生成のための新しい指標セットを提案する。
本手法は,分子介入の生物学的効果を反映した画像表現に翻訳され,有意義な分子介入の埋め込みを学習できることを定量的に示す。
関連論文リスト
- MolMiner: Transformer architecture for fragment-based autoregressive generation of molecular stories [7.366789601705544]
生成過程の化学的妥当性、解釈可能性、可変分子サイズへの柔軟性は、計算材料設計における生成モデルに残る課題の1つである。
本稿では,分子生成を離散的かつ解釈可能なステップの列に分解する自己回帰的手法を提案する。
この結果から,本モデルでは,提案した多目的目標目標に応じて,生成分布を効果的にバイアスすることができることがわかった。
論文 参考訳（メタデータ） (2024-11-10T22:00:55Z) - 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) - MaskMol: Knowledge-guided Molecular Image Pre-Training Framework for Activity Cliffs [18.901322124389218]
MaskMolは知識誘導型分子画像自己教師型学習フレームワークである。
MaskMolは、複数のレベルの分子知識を考慮し、分子画像の表現を正確に学習する。
その結果,MaskMolの活性崖推定および複合有効性予測における高精度かつ伝達性を示した。
論文 参考訳（メタデータ） (2024-09-02T03:03:22Z) - Data-Efficient Molecular Generation with Hierarchical Textual Inversion [48.816943690420224]
分子生成のための階層型テキスト変換法 (HI-Mol) を提案する。
HI-Molは分子分布を理解する上での階層的情報、例えば粗い特徴ときめ細かい特徴の重要性にインスパイアされている。
単一レベルトークン埋め込みを用いた画像領域の従来のテキストインバージョン法と比較して, マルチレベルトークン埋め込みにより, 基礎となる低ショット分子分布を効果的に学習することができる。
論文 参考訳（メタデータ） (2024-05-05T08:35:23Z) - MolNexTR: A Generalized Deep Learning Model for Molecular Image Recognition [4.510482519069965]
MolNexTRは、ConvNextとVision-TRansformerの強みを融合させる、新しい画像からグラフまでのディープラーニングモデルである。
同時に原子と結合を予測し、それらのレイアウトルールを理解することができる。
テストセットでは, MolNexTR が優れた性能を示し,81～97% の精度を達成した。
論文 参考訳（メタデータ） (2024-03-06T13:17:41Z) - MultiModal-Learning for Predicting Molecular Properties: A Framework Based on Image and Graph Structures [2.5563339057415218]
MolIGは、画像とグラフ構造に基づいて分子特性を予測するための、新しいMultiModaL分子事前学習フレームワークである。
両者の分子表現の強さを融合させる。
ベンチマークグループ内の分子特性予測に関連する下流タスクでは、パフォーマンスが向上する。
論文 参考訳（メタデータ） (2023-11-28T10:28:35Z) - A Molecular Multimodal Foundation Model Associating Molecule Graphs with
Natural Language [63.60376252491507]
本稿では,分子グラフとその意味的関連テキストデータから事前学習した分子マルチモーダル基礎モデルを提案する。
我々のモデルは、生物学、化学、材料、環境、医学などの分野において、AIを動力とする分野に幅広い影響を与えるだろうと考えています。
論文 参考訳（メタデータ） (2022-09-12T00:56:57Z) - Meta Internal Learning [88.68276505511922]
単一画像生成のための内部学習は、単一の画像に基づいて新しい画像を生成するようにジェネレータを訓練するフレームワークである。
本稿では,サンプル画像の内部統計をより効果的にモデル化するために,画像集合のトレーニングを可能にするメタラーニング手法を提案する。
以上の結果から, 得られたモデルは, 多数の共通画像アプリケーションにおいて, シングルイメージのGANと同程度に適していることがわかった。
論文 参考訳（メタデータ） (2021-10-06T16:27:38Z) - Multimodal Graph-based Transformer Framework for Biomedical Relation
Extraction [21.858440542249934]
本稿では,分子構造などの付加的なマルチモーダルキューの助けを借りて,モデルが実体(タンパク質)に関する多言語生物学的情報を学習することを可能にする新しい枠組みを提案する。
バイオメディカルコーパスを用いたタンパク質プロテイン相互作用タスクの評価を行った。
論文 参考訳（メタデータ） (2021-07-01T16:37:17Z) - Learning Neural Generative Dynamics for Molecular Conformation
Generation [89.03173504444415]
分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。
分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
論文 参考訳（メタデータ） (2021-02-20T03:17:58Z)
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。