論文の概要: Conditional Constrained Graph Variational Autoencoders for Molecule
Design
- arxiv url: http://arxiv.org/abs/2009.00725v1
- Date: Tue, 1 Sep 2020 21:58:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-23 00:34:51.784101
- Title: Conditional Constrained Graph Variational Autoencoders for Molecule
Design
- Title(参考訳): 分子設計のための条件制約付きグラフ変分オートエンコーダ
- Authors: Davide Rigoni, Nicol\`o Navarin and Alessandro Sperduti
- Abstract要約: 本稿では、このキーイデアを最先端のモデルで実装した、条件制約付きグラフ変分オートエンコーダ(CCGVAE)を提案する。
分子生成のために広く採用されている2つのデータセットについて、いくつかの評価指標について改善した結果を示す。
- 参考スコア(独自算出の注目度): 70.59828655929194
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, deep generative models for graphs have been used to generate
new molecules. These models have produced good results, leading to several
proposals in the literature. However, these models may have troubles learning
some of the complex laws governing the chemical world. In this work, we explore
the usage of the histogram of atom valences to drive the generation of
molecules in such models. We present Conditional Constrained Graph Variational
Autoencoder (CCGVAE), a model that implements this key-idea in a
state-of-the-art model, and shows improved results on several evaluation
metrics on two commonly adopted datasets for molecule generation.
- Abstract(参考訳): 近年では、グラフの深い生成モデルが新しい分子の生成に用いられている。
これらのモデルは良い結果をもたらし、文献にいくつかの提案がなされた。
しかし、これらのモデルは化学世界を支配する複雑な法則を学ぶのに苦労しているかもしれない。
本研究では、原子価のヒストグラムを用いて、そのようなモデルにおける分子の生成を促進する。
条件制約付きグラフ変分オートエンコーダ (CCGVAE) は、このキーイデアを最先端のモデルで実装したモデルであり、分子生成のために広く採用されている2つのデータセットに対するいくつかの評価指標の改善結果を示す。
関連論文リスト
- A novel molecule generative model of VAE combined with Transformer [0.0]
トランスフォーマーとVAEは強力なモデルとして広く使われているが、構造的ミスマッチと性能的ミスマッチのために組み合わせて使われることは滅多にない。
本研究では, この2つのモデルを組み合わせて, 多様な分子の処理における構造とパラメータの最適化を行うモデルを提案する。
提案モデルでは, 既存の分子生成モデルに匹敵する性能を示し, 未知の構造を持つ分子生成モデルにおいて, はるかに優れた性能を示す。
論文 参考訳(メタデータ) (2024-02-19T08:46:04Z) - Molecule Design by Latent Space Energy-Based Modeling and Gradual
Distribution Shifting [53.44684898432997]
化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。
本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。
本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
論文 参考訳(メタデータ) (2023-06-09T03:04:21Z) - RGCVAE: Relational Graph Conditioned Variational Autoencoder for
Molecule Design [70.59828655929194]
ディープグラフ変分自動エンコーダは、この問題に対処可能な、最も強力な機械学習ツールの1つである。
i)新しい強力なグラフ同型ネットワークを利用した符号化ネットワーク,(ii)新しい確率的復号化コンポーネントを提案する。
論文 参考訳(メタデータ) (2023-05-19T14:23:48Z) - MolHF: A Hierarchical Normalizing Flow for Molecular Graph Generation [4.517805235253331]
MolHFは分子グラフを粗い方法で生成する新しい階層型フローベースモデルである。
MolHFは100以上の重原子を持つより大きな分子(ポリマー)をモデル化するための最初のフローベースモデルである。
論文 参考訳(メタデータ) (2023-05-15T08:59:35Z) - GraphPiece: Efficiently Generating High-Quality Molecular Graph with
Substructures [7.021635649909492]
分子グラフからエムグラフと呼ばれる共通部分構造を自動的に発見する手法を提案する。
グラフの断片に基づいて,変分オートエンコーダを用いて2つの相の分子を生成する。
論文 参考訳(メタデータ) (2021-06-29T05:26:18Z) - A Graph VAE and Graph Transformer Approach to Generating Molecular
Graphs [1.6631602844999724]
グラフ畳み込み層とグラフプーリング層をフル活用した変分オートエンコーダとトランスベースモデルを提案する。
トランスモデルは新しいノードエンコーディング層を実装し、一般的にトランスフォーマーで使用される位置エンコーディングを置き換え、グラフ上で動く位置情報を持たないトランスフォーマーを生成する。
実験では、生成ノードとエッジの両方の重要性を考慮して、分子生成のベンチマークタスクを選択しました。
論文 参考訳(メタデータ) (2021-04-09T13:13:06Z) - Learning Neural Generative Dynamics for Molecular Conformation
Generation [89.03173504444415]
分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。
分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
論文 参考訳(メタデータ) (2021-02-20T03:17:58Z) - Learning Latent Space Energy-Based Prior Model for Molecule Generation [59.875533935578375]
分子モデリングのためのSMILES表現を用いた潜時空間エネルギーに基づく先行モデルについて学習する。
本手法は,最先端モデルと競合する妥当性と特異性を持つ分子を生成することができる。
論文 参考訳(メタデータ) (2020-10-19T09:34:20Z) - Physics-Constrained Predictive Molecular Latent Space Discovery with
Graph Scattering Variational Autoencoder [0.0]
我々は小データ構造における変分推論とグラフ理論に基づく分子生成モデルを開発する。
モデルの性能は、所望の目的特性を持つ分子を生成することによって評価される。
論文 参考訳(メタデータ) (2020-09-29T09:05:27Z) - Learning Graph Models for Retrosynthesis Prediction [90.15523831087269]
再合成予測は有機合成の基本的な問題である。
本稿では,前駆体分子のグラフトポロジーが化学反応中にほとんど変化しないという考え方を生かしたグラフベースのアプローチを提案する。
提案モデルでは,テンプレートフリーおよび半テンプレートベースの手法よりも高い5,3.7%の精度でトップ1の精度を実現している。
論文 参考訳(メタデータ) (2020-06-12T09:40:42Z)
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。