論文の概要: MoFlow: An Invertible Flow Model for Generating Molecular Graphs

• arxiv url: http://arxiv.org/abs/2006.10137v1
• Date: Wed, 17 Jun 2020 20:14:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-19 20:37:31.934293
• Title: MoFlow: An Invertible Flow Model for Generating Molecular Graphs
• Title（参考訳）: MoFlow: 分子グラフ生成のための可逆フローモデル
• Authors: Chengxi Zang and Fei Wang
• Abstract要約: MoFlowは、分子グラフと潜在表現の間の可逆写像を学習するためのフローベースのグラフ生成モデルである。 提案モデルには, 高精度かつトラクタブルなトレーニング, 効率的なワンパス埋め込みと生成, 化学的妥当性保証, トレーニングデータの100%再構成, 優れた一般化能力などのメリットがある。
• 参考スコア（独自算出の注目度）: 19.829612234339578
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generating molecular graphs with desired chemical properties driven by deep graph generative models provides a very promising way to accelerate drug discovery process. Such graph generative models usually consist of two steps: learning latent representations and generation of molecular graphs. However, to generate novel and chemically-valid molecular graphs from latent representations is very challenging because of the chemical constraints and combinatorial complexity of molecular graphs. In this paper, we propose MoFlow, a flow-based graph generative model to learn invertible mappings between molecular graphs and their latent representations. To generate molecular graphs, our MoFlow first generates bonds (edges) through a Glow based model, then generates atoms (nodes) given bonds by a novel graph conditional flow, and finally assembles them into a chemically valid molecular graph with a posthoc validity correction. Our MoFlow has merits including exact and tractable likelihood training, efficient one-pass embedding and generation, chemical validity guarantees, 100\% reconstruction of training data, and good generalization ability. We validate our model by four tasks: molecular graph generation and reconstruction, visualization of the continuous latent space, property optimization, and constrained property optimization. Our MoFlow achieves state-of-the-art performance, which implies its potential efficiency and effectiveness to explore large chemical space for drug discovery.
• Abstract（参考訳）: ディープグラフ生成モデルによって駆動される所望の化学的特性を持つ分子グラフの生成は、薬物発見プロセスを加速する非常に有望な方法である。 このようなグラフ生成モデルは、通常、潜在表現の学習と分子グラフの生成の2つのステップで構成される。 しかし、潜在表現から新規で化学的に有価な分子グラフを生成することは、分子グラフの化学的制約と組合せ複雑性のために非常に困難である。 本稿では,分子グラフとその潜在表現の間の可逆写像を学習するフローベースグラフ生成モデルMoFlowを提案する。 分子グラフを生成するために,我々のMoFlowはまずGlowモデルを用いて結合(エッジ)を生成し,次に新しいグラフ条件流によって与えられた結合(ノード)を生成し,最後にそれをポストホック正当性補正で化学的に有効な分子グラフに組み立てる。 私たちのMoFlowには、正確でトラクタブルなトレーニング、効率的なワンパス埋め込みと生成、化学的妥当性保証、トレーニングデータの100\%の再構築、優れた一般化能力など、メリットがあります。 我々は, 分子グラフの生成と再構成, 連続的潜在空間の可視化, 特性最適化, 制約付きプロパティ最適化の4つのタスクでモデルを検証する。 われわれのMoFlowは最先端のパフォーマンスを達成し、医薬品発見のための大きな化学物質空間を探索するための潜在的効率と有効性を示している。

関連論文リスト

• Improving Molecular Graph Generation with Flow Matching and Optimal Transport [8.2504828891983]
  GGFlowは分子グラフの最適輸送を取り入れた離散フローマッチング生成モデルである。 エッジ拡張グラフ変換器を内蔵し、化学結合間の直接通信を可能にする。 GGFlowは無条件および条件付き分子生成タスクにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-11-08T16:27:27Z)
• 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)
• Graph Generation with Diffusion Mixture [57.78958552860948]
  グラフの生成は、非ユークリッド構造の複雑な性質を理解する必要がある実世界のタスクにとって大きな課題である。 本稿では,拡散過程の最終グラフ構造を明示的に学習することにより,グラフのトポロジーをモデル化する生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-07T17:07:46Z)
• 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)
• MolCLR: Molecular Contrastive Learning of Representations via Graph Neural Networks [11.994553575596228]
  MolCLRは、大規模なラベルなしの分子データセットのための自己監視学習フレームワークです。 原子マスキング、結合除去、サブグラフ除去の3つの新しい分子グラフ増強法を提案する。 提案手法は,多くの挑戦的データセットに対して最先端の性能を実現する。
  論文  参考訳（メタデータ） (2021-02-19T17:35:18Z)
• 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)
• GraphAF: a Flow-based Autoregressive Model for Molecular Graph Generation [45.360695120154]
  グラフ生成のためのフローベース自己回帰モデルGraphAFを提案する。 GraphAFは,(1)データ密度推定のための高いモデル柔軟性,(2)訓練のための効率的な並列計算,(3)化学領域の知識を有効活用する反復サンプリングプロセスといった,自己回帰的アプローチとフローベースアプローチの両方の利点を併せ持つ。
  論文  参考訳（メタデータ） (2020-01-26T01:12:40Z)

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。