論文の概要: Visualizing Deep Graph Generative Models for Drug Discovery

• arxiv url: http://arxiv.org/abs/2007.10333v1
• Date: Mon, 20 Jul 2020 18:49:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-08 13:22:58.432848
• Title: Visualizing Deep Graph Generative Models for Drug Discovery
• Title（参考訳）: 薬物発見のための深部グラフ生成モデルの可視化
• Authors: Karan Yang, Chengxi Zang, Fei Wang
• Abstract要約: 深部グラフ生成モデルの符号化・復号過程において生成する分子を可視化する可視化フレームワークを提案する。 私たちの研究は、ブラックボックスAIによる薬物発見モデルに視覚的解釈能力を持たせることを目的としています。
• 参考スコア（独自算出の注目度）: 16.78530326723672
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Drug discovery aims at designing novel molecules with specific desired properties for clinical trials. Over past decades, drug discovery and development have been a costly and time consuming process. Driven by big chemical data and AI, deep generative models show great potential to accelerate the drug discovery process. Existing works investigate different deep generative frameworks for molecular generation, however, less attention has been paid to the visualization tools to quickly demo and evaluate model's results. Here, we propose a visualization framework which provides interactive visualization tools to visualize molecules generated during the encoding and decoding process of deep graph generative models, and provide real time molecular optimization functionalities. Our work tries to empower black box AI driven drug discovery models with some visual interpretabilities.
• Abstract（参考訳）: 創薬の目的は、臨床試験に特有の特性を持つ新規な分子を設計することである。 過去数十年間、医薬品の発見と開発はコストと時間のかかるプロセスだった。 ビッグデータとAIによって駆動される深層生成モデルは、薬物発見プロセスを加速する大きな可能性を示している。 既存の研究は分子生成のための異なる深層生成フレームワークを調査しているが、モデルの結果をすばやくデモし評価するための可視化ツールにはあまり注意が払われていない。 本稿では,ディープグラフ生成モデルの符号化・復号処理中に生成された分子を可視化するインタラクティブ可視化ツールを提供し,リアルタイム分子最適化機能を提供する可視化フレームワークを提案する。 私たちの研究は、ブラックボックスAIによる薬物発見モデルに視覚的解釈能力を持たせることを目的としています。

関連論文リスト

• 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)
• Discovering intrinsic multi-compartment pharmacometric models using Physics Informed Neural Networks [0.0]
  我々は、純粋にデータ駆動型ニューラルネットワークモデルであるPKINNを紹介する。 PKINNは、本質的なマルチコンパートメントベースの薬理学構造を効率的に発見し、モデル化する。 得られたモデルは、シンボリック回帰法によって解釈可能であり、説明可能である。
  論文  参考訳（メタデータ） (2024-04-30T19:31:31Z)
• HiGraphDTI: Hierarchical Graph Representation Learning for Drug-Target Interaction Prediction [15.005837084219355]
  階層型グラフ表現学習に基づくDTI予測法(HiGraphDTI)を提案する。 具体的には、HiGraphDTIは三重レベル分子グラフから階層的な薬物表現を学び、原子、モチーフ、分子に埋め込まれた化学情報を徹底的に活用する。 注目特徴融合モジュールは、異なる受容領域からの情報を組み込んで表現対象特徴を抽出する。
  論文  参考訳（メタデータ） (2024-04-16T13:35:24Z)
• An Equivariant Generative Framework for Molecular Graph-Structure Co-Design [54.92529253182004]
  分子グラフ構造アンダーラインCo設計のための機械学習ベースの生成フレームワークであるMollCodeを提案する。 MolCodeでは、3D幾何情報によって分子2Dグラフの生成が促進され、それによって分子3D構造の予測が導かれる。 分子設計における2次元トポロジーと3次元幾何は本質的に相補的な情報を含んでいることが明らかとなった。
  論文  参考訳（メタデータ） (2023-04-12T13:34:22Z)
• 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)
• Retrieval-based Controllable Molecule Generation [63.44583084888342]
  制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。 我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。 提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
  論文  参考訳（メタデータ） (2022-08-23T17:01:16Z)
• Graph Machine Learning for Design of High-Octane Fuels [47.43758223690195]
  コンピュータ支援分子設計(CAMD)は、所望の自己着火特性を持つ分子を識別することができる。 本稿では,生成グラフMLモデルとグラフニューラルネットワークと最適化を統合したグラフ-ML CAMDフレームワークを提案する。 我々は、さらなる自動点火訓練データの必要性を実験的に調査し、説明するために使用した。
  論文  参考訳（メタデータ） (2022-06-01T16:43:04Z)
• Learning to Extend Molecular Scaffolds with Structural Motifs [15.78749196233448]
  MoLeRはグラフベースのモデルで、生成手順の初期シードとして足場をサポートする。 そこで本研究では,MoLeRが非制約分子最適化タスクの最先端手法と相容れない性能を示す。 また、いくつかの小さな設計選択が全体的なパフォーマンスに与える影響も示しています。
  論文  参考訳（メタデータ） (2021-03-05T18:28:49Z)
• Learn molecular representations from large-scale unlabeled molecules for drug discovery [19.222413268610808]
  分子プレトレーニンググラフベースのディープラーニングフレームワークmpgは、大規模なラベルなし分子から分子表現を頼りにする。 molgnetは、解釈可能な表現を生み出すために貴重な化学的洞察を捉えることができる。 MPGは、薬物発見パイプラインにおける新しいアプローチになることを約束している。
  論文  参考訳（メタデータ） (2020-12-21T08:21:49Z)
• Advanced Graph and Sequence Neural Networks for Molecular Property Prediction and Drug Discovery [53.00288162642151]
  計算モデルや分子表現にまたがる包括的な機械学習ツール群であるMoleculeKitを開発した。 これらの表現に基づいて構築されたMoeculeKitには、ディープラーニングと、グラフとシーケンスデータのための従来の機械学習方法の両方が含まれている。 オンラインおよびオフラインの抗生物質発見と分子特性予測のタスクの結果から、MoneculeKitは以前の方法よりも一貫した改善を実現していることがわかる。
  論文  参考訳（メタデータ） (2020-12-02T02:09:31Z)
• Generative chemistry: drug discovery with deep learning generative models [0.0]
  本稿では, 創薬プロセスの迅速化に向け, 創薬モデルによる生成化学の最近の進歩を概観する。 ニューラルネットワーク,変分オートエンコーダ,逆数オートエンコーダ,複合生成のための生成逆数ネットワークなど,最先端の生成アーキテクチャの利用に関する詳細な議論が注目されている。
  論文  参考訳（メタデータ） (2020-08-20T14:38:21Z)

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。