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
- 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) - Graph-Convolutional Deep Learning to Identify Optimized Molecular
Configurations [0.0]
我々は,QM7-Xデータセットで提供される平衡構造と非平衡構造を用いて,分子構造を分類するグラフ畳み込み法を実装した。
2つの異なるグラフプーリング層を用いて結果を実証し、それぞれの性能を比較する。
論文 参考訳(メタデータ) (2021-08-22T05:09:27Z) - Molecule Optimization via Fragment-based Generative Models [21.888942129750124]
創薬において、分子最適化は、望ましい薬物特性の観点から薬候補をより良いものにするための重要なステップである。
本稿では,計算量最適化分子に対する革新的シリコアプローチを提案し,最適化分子グラフを生成するために問題を定式化する。
我々の生成モデルはフラグメントベースの薬物設計の重要なアイデアに従い、小さなフラグメントを変更することで分子を最適化します。
論文 参考訳(メタデータ) (2020-12-08T05:52:16Z) - 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) - Optimizing Molecules using Efficient Queries from Property Evaluations [66.66290256377376]
汎用的なクエリベースの分子最適化フレームワークであるQMOを提案する。
QMOは効率的なクエリに基づいて入力分子の所望の特性を改善する。
QMOは, 有機分子を最適化するベンチマークタスクにおいて, 既存の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2020-11-03T18:51:18Z) - MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [66.84839948236478]
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) - Molecular Design in Synthetically Accessible Chemical Space via Deep
Reinforcement Learning [0.0]
既存の生成法は、最適化中に分子特性の分布を好適にシフトできる能力に制限されていると論じる。
本稿では,分子設計のための新しい強化学習フレームワークを提案する。
論文 参考訳(メタデータ) (2020-04-29T16:29:28Z)
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。