論文の概要: Accelerating the identification of informative reduced representations
of proteins with deep learning for graphs
- arxiv url: http://arxiv.org/abs/2007.08658v1
- Date: Tue, 14 Jul 2020 21:22:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-10 14:24:46.467315
- Title: Accelerating the identification of informative reduced representations
of proteins with deep learning for graphs
- Title（参考訳）: グラフの深層学習によるタンパク質の情報還元表現の同定の高速化
- Authors: Federico Errica, Marco Giulini, Davide Bacciu, Roberto Menichetti,
Alessio Micheli, Raffaello Potestio
- Abstract要約: アルゴリズム的なアプローチは、タンパク質の原子のサブセット、すなわちマッピングを識別するために開発され、最も情報的な説明を可能にした。
本稿では,マッピングエントロピーの計算を高速化する深層学習手法の実装について述べる。
深部グラフネットワークは正確かつ極めて効率的であり,マッピングエントロピーのアルゴリズム計算に対して最大105ドルの高速化係数を持つことを示す。
- 参考スコア（独自算出の注目度）: 18.9447239634277
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The limits of molecular dynamics (MD) simulations of macromolecules are
steadily pushed forward by the relentless developments of computer
architectures and algorithms. This explosion in the number and extent (in size
and time) of MD trajectories induces the need of automated and transferable
methods to rationalise the raw data and make quantitative sense out of them.
Recently, an algorithmic approach was developed by some of us to identify the
subset of a protein's atoms, or mapping, that enables the most informative
description of it. This method relies on the computation, for a given reduced
representation, of the associated mapping entropy, that is, a measure of the
information loss due to the simplification. Albeit relatively straightforward,
this calculation can be time consuming. Here, we describe the implementation of
a deep learning approach aimed at accelerating the calculation of the mapping
entropy. The method relies on deep graph networks, which provide extreme
flexibility in the input format. We show that deep graph networks are accurate
and remarkably efficient, with a speedup factor as large as $10^5$ with respect
to the algorithmic computation of the mapping entropy. Applications of this
method, which entails a great potential in the study of biomolecules when used
to reconstruct its mapping entropy landscape, reach much farther than this,
being the scheme easily transferable to the computation of arbitrary functions
of a molecule's structure.
- Abstract（参考訳）: 分子動力学(MD)シミュレーションの限界は、コンピュータアーキテクチャとアルゴリズムの絶え間ない発展によって着実に前進している。
このMD軌道の量と範囲(サイズと時間)の爆発は、原データの合理化と定量化のための自動化および転送可能な方法の必要性を引き起こす。
近年,タンパク質の原子のサブセットを同定するアルゴリズム的手法が開発され,最も情報的な記述が可能となった。
この方法は、与えられた縮小表現に対して、関連するマッピングエントロピー(つまり、単純化による情報損失の尺度)の計算に依存する。
比較的単純だが、この計算には時間がかかる。
本稿では,マッピングエントロピーの計算の高速化を目的としたディープラーニング手法の実装について述べる。
この方法はディープグラフネットワークに依存しており、入力フォーマットの柔軟性が極めて高い。
深部グラフネットワークは正確かつ極めて効率的であり,マッピングエントロピーのアルゴリズム計算に対して最大10^5$の高速化係数を持つことを示す。
この手法の応用は、マッピングエントロピーの景観を再構築する際に生体分子の研究に大きな可能性をもたらすが、この手法は分子の構造の任意の関数の計算に容易に移行できるスキームである。
関連論文リスト
- CTAGE: Curvature-Based Topology-Aware Graph Embedding for Learning
Molecular Representations [11.12640831521393]
分子グラフデータから構造的洞察を抽出するために,$k$hopの離散リッチ曲率を用いたCTAGEの埋め込み手法を提案する。
その結果,ノード曲率の導入は,現在のグラフニューラルネットワークフレームワークの性能を著しく向上させることがわかった。
論文 参考訳（メタデータ） (2023-07-25T06:13:01Z) - Generalizing Backpropagation for Gradient-Based Interpretability [103.2998254573497]
モデルの勾配は、半環を用いたより一般的な定式化の特別な場合であることを示す。
この観測により、バックプロパゲーションアルゴリズムを一般化し、他の解釈可能な統計を効率的に計算することができる。
論文 参考訳（メタデータ） (2023-07-06T15:19:53Z) - Towards Predicting Equilibrium Distributions for Molecular Systems with
Deep Learning [60.02391969049972]
本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。
DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
論文 参考訳（メタデータ） (2023-06-08T17:12:08Z) - HD-Bind: Encoding of Molecular Structure with Low Precision,
Hyperdimensional Binary Representations [3.3934198248179026]
超次元計算(HDC)は、低精度二進ベクトル算術を活用できる学習パラダイムである。
本稿では,HDCに基づく推論手法が,より複雑な機械学習手法よりも90倍効率が高いことを示す。
論文 参考訳（メタデータ） (2023-03-27T21:21:46Z) - 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) - Extreme Acceleration of Graph Neural Network-based Prediction Models for
Quantum Chemistry [7.592530794455257]
本稿では,分子特性予測のためのグラフニューラルネットワークのトレーニングをスケールアップするための,ハードウェアとソフトウェアの共同設計手法を提案する。
本稿では,分子グラフのバッチを固定サイズパックに結合して冗長計算やメモリを不要にするアルゴリズムを提案する。
このような共同設計手法により、分子特性予測モデルのトレーニング時間を数日から2時間未満に短縮できることを示す。
論文 参考訳（メタデータ） (2022-11-25T01:30:18Z) - Graph-based Molecular Representation Learning [59.06193431883431]
分子表現学習(MRL)は、機械学習と化学科学を結びつけるための重要なステップである。
近年、MRLは、特に深層分子グラフ学習に基づく手法において、かなりの進歩を遂げている。
論文 参考訳（メタデータ） (2022-07-08T17:43:20Z) - 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) - Gaussian Moments as Physically Inspired Molecular Descriptors for
Accurate and Scalable Machine Learning Potentials [0.0]
本稿では,フィードフォワードニューラルネットワークに基づく高次元ポテンシャルエネルギー表面構築のための機械学習手法を提案する。
化学空間と構成空間の両方を表すために開発されたアプローチの精度は、いくつかの確立された機械学習モデルの1つに匹敵する。
論文 参考訳（メタデータ） (2021-09-15T16:46:46Z) - Investigating the Scalability and Biological Plausibility of the
Activation Relaxation Algorithm [62.997667081978825]
アクティベーション・リラクシエーション(AR)アルゴリズムは、誤りアルゴリズムのバックプロパゲーションを近似するためのシンプルでロバストなアプローチを提供する。
このアルゴリズムは、学習可能な後方重みセットを導入することにより、さらに単純化され、生物学的に検証可能であることを示す。
また、元のARアルゴリズム(凍結フィードフォワードパス)の別の生物学的に信じられない仮定が、パフォーマンスを損なうことなく緩和できるかどうかについても検討する。
論文 参考訳（メタデータ） (2020-10-13T08:02:38Z) - 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。