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
- 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) - 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) - HiGNN: Hierarchical Informative Graph Neural Networks for Molecular
Property Prediction Equipped with Feature-Wise Attention [5.735627221409312]
分子特性を予測するための階層型情報グラフニューラルネットワークフレームワーク(HiGNN)を提案する。
実験により、HiGNNは、多くの挑戦的な薬物発見関連ベンチマークデータセットに対して最先端の予測性能を達成することが示された。
論文 参考訳(メタデータ) (2022-08-30T05:16:15Z) - 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) - Augmenting Molecular Deep Generative Models with Topological Data
Analysis Representations [21.237758981760784]
分子のトポロジカルデータ解析(TDA)表現を付加したSMILES変分自動エンコーダ(VAE)を提案する。
実験の結果, このTDA拡張により, SMILES VAEは3次元幾何学と電子特性の複雑な関係を捉えることができることがわかった。
論文 参考訳(メタデータ) (2021-06-08T15:49:21Z) - 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) - The Synthesizability of Molecules Proposed by Generative Models [3.032184156362992]
機能性分子の発見は高価で時間を要するプロセスである。
初期の薬物発見への関心が高まる技術のひとつに、デ・ノボの分子生成と最適化がある。
これらの手法は、多目的関数の最大化を目的とした新しい分子構造を示唆することができる。
しかし、これらのアプローチの実用性は、合成可能性の無知によって汚される。
論文 参考訳(メタデータ) (2020-02-17T15:41:28Z)
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。