論文の概要: Graph Polish: A Novel Graph Generation Paradigm for Molecular Optimization

• arxiv url: http://arxiv.org/abs/2008.06246v1
• Date: Fri, 14 Aug 2020 08:36:13 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-30 16:43:27.798459
• Title: Graph Polish: A Novel Graph Generation Paradigm for Molecular Optimization
• Title（参考訳）: Graph Polish: 分子最適化のための新しいグラフ生成パラダイム
• Authors: Chaojie Ji, Yijia Zheng, Ruxin Wang, Yunpeng Cai and Hongyan Wu
• Abstract要約: 本稿では,従来の「二言語翻訳」タスクから「単言語」タスクへ分子最適化を変換する新しい分子最適化パラダイムであるグラフポーランドを提案する。 本稿では,最適化段階における長期的依存関係を捉えるために,効果的で効率的な学習フレームワークT&Sの研磨法を提案する。
• 参考スコア（独自算出の注目度）: 7.1696593196695035
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Molecular optimization, which transforms a given input molecule X into another Y with desirable properties, is essential in molecular drug discovery. The traditional translating approaches, generating the molecular graphs from scratch by adding some substructures piece by piece, prone to error because of the large set of candidate substructures in a large number of steps to the final target. In this study, we present a novel molecular optimization paradigm, Graph Polish, which changes molecular optimization from the traditional "two-language translating" task into a "single-language polishing" task. The key to this optimization paradigm is to find an optimization center subject to the conditions that the preserved areas around it ought to be maximized and thereafter the removed and added regions should be minimized. We then propose an effective and efficient learning framework T&S polish to capture the long-term dependencies in the optimization steps. The T component automatically identifies and annotates the optimization centers and the preservation, removal and addition of some parts of the molecule, and the S component learns these behaviors and applies these actions to a new molecule. Furthermore, the proposed paradigm can offer an intuitive interpretation for each molecular optimization result. Experiments with multiple optimization tasks are conducted on four benchmark datasets. The proposed T&S polish approach achieves significant advantage over the five state-of-the-art baseline methods on all the tasks. In addition, extensive studies are conducted to validate the effectiveness, explainability and time saving of the novel optimization paradigm.
• Abstract（参考訳）: 特定の入力分子 x を望ましい性質で別の y に変換する分子最適化は、分子薬物の発見に必須である。 従来の翻訳手法では、いくつかの部分構造を1個ずつ加えることで分子グラフをスクラッチから生成し、最終的なターゲットに対して多数のステップで候補部分構造が多数存在するため、誤りを犯しやすい。 本研究では,従来の「二言語翻訳」タスクから「単言語研磨」タスクへ分子最適化を変換する新しい分子最適化パラダイムであるグラフポーランドを提案する。 この最適化パラダイムの鍵は、周囲の保存領域を最大化し、その後に削除され追加される領域を最小化すべきという条件に基づく最適化センターを見つけることである。 次に、最適化ステップにおける長期的依存関係を捉えるために、効果的で効率的な学習フレームワークT&S法を提案する。 T成分は最適化中心と分子の一部の保存、除去、付加を自動的に同定し、S成分はこれらの挙動を学習し、これらの作用を新しい分子に適用する。 さらに,提案手法は各分子最適化結果に対する直観的な解釈を提供することができる。 複数の最適化タスクによる実験は、4つのベンチマークデータセットで実施される。 提案したT&S研磨法は,全タスクにおける5つの最先端のベースライン法に対して大きな優位性が得られる。 さらに, 新たな最適化パラダイムの有効性, 説明可能性, 時間節約に関する広範な研究を行った。

関連論文リスト

• Text-Guided Multi-Property Molecular Optimization with a Diffusion Language Model [77.50732023411811]
  変換器を用いた拡散言語モデル(TransDLM)を用いたテキスト誘導多目的分子最適化手法を提案する。 TransDLMは標準化された化学命名法を分子の意味表現として利用し、プロパティ要求をテキスト記述に暗黙的に埋め込む。 提案手法は, 分子構造類似性を最適化し, ベンチマークデータセットの化学的特性を向上するための最先端手法を超越した手法である。
  論文  参考訳（メタデータ） (2024-10-17T14:30:27Z)
• XMOL: Explainable Multi-property Optimization of Molecules [2.320539066224081]
  複数の分子特性を同時に最適化するために,分子のマルチプロパティ最適化(XMOL)を提案する。 我々のアプローチは、最先端の幾何学的拡散モデルに基づいており、それらをマルチプロパティ最適化に拡張している。 最適化プロセス全体を通して解釈的および説明可能な技術を統合する。
  論文  参考訳（メタデータ） (2024-09-12T06:35:04Z)
• Small Molecule Optimization with Large Language Models [17.874902319523663]
  計算特性を持つ110M分子の新規コーパスを微調整した2つの言語モデルについて述べる。 ブラックボックスオラクルへのアクセスに制限がある場合、言語モデルを利用して任意の特性の分子を最適化する新しい最適化アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2024-07-26T17:51:33Z)
• Gradual Optimization Learning for Conformational Energy Minimization [69.36925478047682]
  ニューラルネットワークによるエネルギー最小化のためのGradual Optimization Learning Framework(GOLF)は、必要な追加データを大幅に削減する。 GOLFでトレーニングしたニューラルネットワークは,種々の薬物様分子のベンチマークにおいて,オラクルと同等に動作することを示す。
  論文  参考訳（メタデータ） (2023-11-05T11:48:08Z)
• An Empirical Evaluation of Zeroth-Order Optimization Methods on AI-driven Molecule Optimization [78.36413169647408]
  分子目的を最適化するための様々なZO最適化手法の有効性について検討する。 ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。 本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-10-27T01:58:10Z)
• Molecular Attributes Transfer from Non-Parallel Data [57.010952598634944]
  分子最適化をスタイル伝達問題として定式化し、非並列データの2つのグループ間の内部差を自動的に学習できる新しい生成モデルを提案する。 毒性修飾と合成性向上という2つの分子最適化タスクの実験により,本モデルがいくつかの最先端手法を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2021-11-30T06:10:22Z)
• Reinforced Molecular Optimization with Neighborhood-Controlled Grammars [63.84003497770347]
  分子最適化のためのグラフ畳み込みポリシネットワークであるMNCE-RLを提案する。 我々は、元の近傍制御された埋め込み文法を拡張して、分子グラフ生成に適用する。 提案手法は, 分子最適化タスクの多種多様さにおいて, 最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-11-14T05:42:15Z)
• MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [51.00815310242277]
  生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。 本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
  論文  参考訳（メタデータ） (2020-10-05T20:18:42Z)

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。