論文の概要: Heterogeneous Molecular Graph Neural Networks for Predicting Molecule Properties

• arxiv url: http://arxiv.org/abs/2009.12710v1
• Date: Sat, 26 Sep 2020 23:29:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-14 08:35:26.158530
• Title: Heterogeneous Molecular Graph Neural Networks for Predicting Molecule Properties
• Title（参考訳）: 分子特性予測のための不均一分子グラフニューラルネットワーク
• Authors: Zeren Shui, George Karypis
• Abstract要約: 分子の新規なグラフ表現であるヘテロジニアス分子グラフ(HMG)を導入する。 HMGNNは、グローバル分子表現とアテンション機構を予測プロセスに組み込んでいる。 我々のモデルは、QM9データセット上の12タスクのうち9タスクで最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 12.897488702184306
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As they carry great potential for modeling complex interactions, graph neural network (GNN)-based methods have been widely used to predict quantum mechanical properties of molecules. Most of the existing methods treat molecules as molecular graphs in which atoms are modeled as nodes. They characterize each atom's chemical environment by modeling its pairwise interactions with other atoms in the molecule. Although these methods achieve a great success, limited amount of works explicitly take many-body interactions, i.e., interactions between three and more atoms, into consideration. In this paper, we introduce a novel graph representation of molecules, heterogeneous molecular graph (HMG) in which nodes and edges are of various types, to model many-body interactions. HMGs have the potential to carry complex geometric information. To leverage the rich information stored in HMGs for chemical prediction problems, we build heterogeneous molecular graph neural networks (HMGNN) on the basis of a neural message passing scheme. HMGNN incorporates global molecule representations and an attention mechanism into the prediction process. The predictions of HMGNN are invariant to translation and rotation of atom coordinates, and permutation of atom indices. Our model achieves state-of-the-art performance in 9 out of 12 tasks on the QM9 dataset.
• Abstract（参考訳）: 複雑な相互作用をモデル化する大きな可能性を秘めているため、グラフニューラルネットワーク(GNN)に基づく手法は分子の量子力学的性質を予測するために広く用いられている。 既存の方法の多くは分子を原子がノードとしてモデル化される分子グラフとして扱う。 分子内の他の原子との対的な相互作用をモデル化することで、それぞれの原子の化学環境を特徴づける。 これらの手法は大きな成功を収めるが、3つ以上の原子間の相互作用を考慮に入れた多体相互作用を、限られた量で明示的に行う。 本稿では,多体相互作用をモデル化するために,ノードとエッジが様々な種類の不均質分子グラフ(hmg)という新しい分子のグラフ表現を提案する。 HMGは複雑な幾何学的情報を運ぶ可能性がある。 化学予測問題にHMGに格納されている豊富な情報を活用するため,ニューラルネットワークを用いたヘテロジニアス分子グラフニューラルネットワーク(HMGNN)を構築した。 HMGNNは、グローバル分子表現と注意機構を予測プロセスに組み込んでいる。 HMGNNの予測は、原子座標の翻訳と回転、および原子指標の置換に不変である。 qm9データセットの12タスク中9タスクで最先端のパフォーマンスを実現する。

関連論文リスト

• Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [55.42602325017405]
  本稿では,分子の2レベル構造を考慮した新しいGODE法を提案する。 異なるグラフ構造上で2つのグラフニューラルネットワーク(GNN)を事前訓練し、対照的な学習と組み合わせることで、GODEは分子構造を対応する知識グラフサブ構造と融合させる。 11の化学特性タスクを微調整した場合、我々のモデルは既存のベンチマークよりも優れており、分類タスクの平均ROC-AUCアップリフトは13.8%、回帰タスクの平均RMSE/MAEエンハンスメントは35.1%である。
  論文  参考訳（メタデータ） (2023-06-02T15:49:45Z)
• Atomic and Subgraph-aware Bilateral Aggregation for Molecular Representation Learning [57.670845619155195]
  我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。 ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。 本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
  論文  参考訳（メタデータ） (2023-05-22T00:56:00Z)
• MUDiff: Unified Diffusion for Complete Molecule Generation [104.7021929437504]
  本稿では,原子の特徴,2次元離散分子構造,および3次元連続分子座標を含む分子の包括的表現を生成する新しいモデルを提案する。 拡散過程を認知するための新しいグラフトランスフォーマーアーキテクチャを提案する。 我々のモデルは、安定で多様な分子を設計するための有望なアプローチであり、分子モデリングの幅広いタスクに適用できる。
  論文  参考訳（メタデータ） (2023-04-28T04:25:57Z)
• Graph neural networks for the prediction of molecular structure-property relationships [59.11160990637615]
  グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。 GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。 本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
  論文  参考訳（メタデータ） (2022-07-25T11:30:44Z)
• Chemical-Reaction-Aware Molecule Representation Learning [88.79052749877334]
  本稿では,化学反応を用いて分子表現の学習を支援することを提案する。 本手法は,1) 埋め込み空間を適切に整理し, 2) 分子埋め込みの一般化能力を向上させるために有効であることが証明された。 実験結果から,本手法は様々なダウンストリームタスクにおける最先端性能を実現することが示された。
  論文  参考訳（メタデータ） (2021-09-21T00:08:43Z)
• MolCLR: Molecular Contrastive Learning of Representations via Graph Neural Networks [11.994553575596228]
  MolCLRは、大規模なラベルなしの分子データセットのための自己監視学習フレームワークです。 原子マスキング、結合除去、サブグラフ除去の3つの新しい分子グラフ増強法を提案する。 提案手法は,多くの挑戦的データセットに対して最先端の性能を実現する。
  論文  参考訳（メタデータ） (2021-02-19T17:35:18Z)
• Molecular Mechanics-Driven Graph Neural Network with Multiplex Graph for Molecular Structures [20.276492931562036]
  この課題に対処するために、グラフニューラルネットワーク(GNN)の数が増えている。 本研究では,分子構造に対して強力かつ効率の良いGNNを設計することを目的とする。 多重分子グラフニューラルネットワーク(MXMNet)の構築
  論文  参考訳（メタデータ） (2020-11-15T05:55:15Z)
• ASGN: An Active Semi-supervised Graph Neural Network for Molecular Property Prediction [61.33144688400446]
  本稿では,ラベル付き分子とラベルなし分子の両方を組み込んだ,アクティブ半教師付きグラフニューラルネットワーク(ASGN)を提案する。 教師モデルでは,分子構造や分子分布から情報を共同で活用する汎用表現を学習するための,新しい半教師付き学習手法を提案する。 最後に,分子多様性の観点から,フレームワーク学習全体を通して情報的データを選択するための新しい能動的学習戦略を提案する。
  論文  参考訳（メタデータ） (2020-07-07T04:22:39Z)

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。