論文の概要: Generate Novel Molecules With Target Properties Using Conditional Generative Models

• arxiv url: http://arxiv.org/abs/2009.12368v2
• Date: Wed, 6 Oct 2021 19:33:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-18 06:58:14.118359
• Title: Generate Novel Molecules With Target Properties Using Conditional Generative Models
• Title（参考訳）: 条件生成モデルを用いた標的特性を持つ新規分子の生成
• Authors: Abhinav Sagar
• Abstract要約: トレーニングセット内の分子と同様の小さな分子を生成する新しいニューラルネットワークを提案する。 我々のネットワークは,分子量,ログP,薬物類似度の定量的評価を指標として,従来の手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Drug discovery using deep learning has attracted a lot of attention of late as it has obvious advantages like higher efficiency, less manual guessing and faster process time. In this paper, we present a novel neural network for generating small molecules similar to the ones in the training set. Our network consists of an encoder made up of bi-GRU layers for converting the input samples to a latent space, predictor for enhancing the capability of encoder made up of 1D-CNN layers and a decoder comprised of uni-GRU layers for reconstructing the samples from the latent space representation. Condition vector in latent space is used for generating molecules with the desired properties. We present the loss functions used for training our network, experimental details and property prediction metrics. Our network outperforms previous methods using Molecular weight, LogP and Quantitative Estimation of Drug-likeness as the evaluation metrics.
• Abstract（参考訳）: ディープラーニングを使った創薬は、高い効率、手作業による推測の少ない、より速いプロセス時間といった明らかな利点があるため、最近多くの注目を集めている。 本稿では、トレーニングセット内の分子に似た小さな分子を生成する新しいニューラルネットワークを提案する。 本ネットワークは,入力サンプルを潜時空間に変換するためのバイGRU層からなるエンコーダと,1D-CNN層からなるエンコーダの能力向上のための予測器と,潜時空間表現からサンプルを再構成するためのユニGRU層からなるデコーダからなる。 潜在空間における条件ベクトルは、所望の性質を持つ分子を生成するために用いられる。 本稿では,ネットワークのトレーニングに使用する損失関数,実験の詳細,特性予測指標について述べる。 評価指標として,分子量,logp,薬物類似度の定量的推定を用いた従来の手法を上回っている。

関連論文リスト

• Sliding down the stairs: how correlated latent variables accelerate learning with neural networks [8.107431208836426]
  入力累積に符号化された方向に沿った潜伏変数間の相関が高次相関から学習を高速化することを示す。 この結果は2層ニューラルネットワークのシミュレーションで確認された。
  論文  参考訳（メタデータ） (2024-04-12T17:01:25Z)
• Generative Kaleidoscopic Networks [2.321684718906739]
  我々は、このニューラルネットワークの特性を利用して、ジェネレーティブ・カレイドスコープと呼ばれるデータセット・カレイドスコープを設計する。 我々は、CNN、Transformers、U-Netsといった他のディープラーニングアーキテクチャに対して、この現象を様々な程度に観測した。
  論文  参考訳（メタデータ） (2024-02-19T02:48:40Z)
• Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
  生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。 本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
  論文  参考訳（メタデータ） (2023-07-17T07:12:29Z)
• Gradient-based Wang-Landau Algorithm: A Novel Sampler for Output Distribution of Neural Networks over the Input Space [20.60516313062773]
  本稿では,グラディエントをベースとした新しい Wang-Landau (GWL) サンプリング手法を提案する。 まず、NNの出力分布と物理系の状態密度(DOS)との接続を描画する。 そこで我々は,そのランダムな提案を勾配に基づくモンテカルロ提案に置き換えることにより,DOS問題の古典的なサンプリングアルゴリズムであるワン・ランダウアルゴリズムを再構築する。
  論文  参考訳（メタデータ） (2023-02-19T05:42:30Z)
• NAF: Neural Attenuation Fields for Sparse-View CBCT Reconstruction [79.13750275141139]
  本稿では,スパースビューCBCT再構成のための新規かつ高速な自己教師型ソリューションを提案する。 所望の減衰係数は、3次元空間座標の連続関数として表現され、完全に接続されたディープニューラルネットワークによってパラメータ化される。 ハッシュ符号化を含む学習ベースのエンコーダが採用され、ネットワークが高周波の詳細をキャプチャするのに役立つ。
  論文  参考訳（メタデータ） (2022-09-29T04:06:00Z)
• Neural network enhanced measurement efficiency for molecular groundstates [63.36515347329037]
  いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。 ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
  論文  参考訳（メタデータ） (2022-06-30T17:45:05Z)
• Domain-informed neural networks for interaction localization within astroparticle experiments [6.157382820537719]
  本研究は、実験粒子物理学のためのドメインインフォームドニューラルネットワークアーキテクチャを提案する。 粒子相互作用の局在化と時間射影チャンバ(TPC)技術をダークマター研究の例として用いている。
  論文  参考訳（メタデータ） (2021-12-15T09:42:04Z)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)
• Inductive Graph Neural Networks for Spatiotemporal Kriging [13.666589510218738]
  ネットワーク/グラフ構造上のアンサンプリングセンサのデータを復元するインダクティブグラフニューラルネットワークモデルを開発した。 複数の実世界の時間的データセットに対する実験結果から,本モデルの有効性が示された。
  論文  参考訳（メタデータ） (2020-06-13T01:23:44Z)
• Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
  スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。 本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-03-26T11:13:07Z)
• Subspace Capsule Network [85.69796543499021]
  SubSpace Capsule Network (SCN) はカプセルネットワークのアイデアを利用して、エンティティの外観や暗黙的に定義された特性のバリエーションをモデル化する。 SCNは、テスト期間中にCNNと比較して計算オーバーヘッドを発生させることなく、識別モデルと生成モデルの両方に適用することができる。
  論文  参考訳（メタデータ） (2020-02-07T17:51:56Z)

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。