論文の概要: 3DMolNet: A Generative Network for Molecular Structures
- arxiv url: http://arxiv.org/abs/2010.06477v1
- Date: Thu, 8 Oct 2020 13:04:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-09 13:09:47.648328
- Title: 3DMolNet: A Generative Network for Molecular Structures
- Title（参考訳）: 3DMolNet: 分子構造生成ネットワーク
- Authors: Vitali Nesterov, Mario Wieser, Volker Roth
- Abstract要約: 固定サイズや組成に制限されない分子構造を効率的に生成するための新しい手法を提案する。
本モデルは,分子の翻訳・回転・置換不変低次元表現を学習する変分オートエンコーダに基づく。
新たに生成した分子の組成的および構造的妥当性は、量子化学法によって確認されている。
- 参考スコア（独自算出の注目度）: 5.446536331020099
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the recent advances in machine learning for quantum chemistry, it is now
possible to predict the chemical properties of compounds and to generate novel
molecules. Existing generative models mostly use a string- or graph-based
representation, but the precise three-dimensional coordinates of the atoms are
usually not encoded. First attempts in this direction have been proposed, where
autoregressive or GAN-based models generate atom coordinates. Those either lack
a latent space in the autoregressive setting, such that a smooth exploration of
the compound space is not possible, or cannot generalize to varying chemical
compositions. We propose a new approach to efficiently generate molecular
structures that are not restricted to a fixed size or composition. Our model is
based on the variational autoencoder which learns a translation-, rotation-,
and permutation-invariant low-dimensional representation of molecules. Our
experiments yield a mean reconstruction error below 0.05 Angstrom,
outperforming the current state-of-the-art methods by a factor of four, and
which is even lower than the spatial quantization error of most chemical
descriptors. The compositional and structural validity of newly generated
molecules has been confirmed by quantum chemical methods in a set of
experiments.
- Abstract（参考訳）: 量子化学における機械学習の最近の進歩により、化合物の化学的性質を予測し、新しい分子を生成することが可能になった。
既存の生成モデルは、主に弦またはグラフに基づく表現を用いるが、原子の正確な3次元座標は通常エンコードされない。
この方向の最初の試みが提案され、自己回帰モデルやGANモデルが原子座標を生成する。
自己回帰的な環境では、複合空間の滑らかな探索が不可能である、あるいは様々な化学組成に一般化できないような遅延空間が欠如している。
固定サイズや組成に制限されない分子構造を効率的に生成するための新しい手法を提案する。
本モデルは,分子の変換,回転,置換不変な低次元表現を学習する変分オートエンコーダに基づいている。
実験では,0.05アングストローム以下の平均再構成誤差が得られ,現在の技術手法を4倍に上回り,ほとんどの化学ディスクリプタの空間量子化誤差よりも低い値を示した。
新規生成分子の組成的および構造的妥当性は、一連の実験において量子化学法によって確認されている。
関連論文リスト
- GraphXForm: Graph transformer for computer-aided molecular design with application to extraction [73.1842164721868]
本稿では,デコーダのみのグラフトランスフォーマアーキテクチャであるGraphXFormについて述べる。
液液抽出のための2つの溶媒設計課題について評価し,4つの最先端分子設計技術より優れていることを示した。
論文 参考訳（メタデータ） (2024-11-03T19:45:15Z) - 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) - Molecular Geometry-aware Transformer for accurate 3D Atomic System
modeling [51.83761266429285]
本稿では,ノード(原子)とエッジ(結合と非結合の原子対)を入力とし,それらの相互作用をモデル化するトランスフォーマーアーキテクチャを提案する。
MoleformerはOC20の緩和エネルギー予測の初期状態の最先端を実現し、QM9では量子化学特性の予測に非常に競争力がある。
論文 参考訳（メタデータ） (2023-02-02T03:49:57Z) - Scalable Fragment-Based 3D Molecular Design with Reinforcement Learning [68.8204255655161]
分子構築に階層的エージェントを用いるスケーラブルな3D設計のための新しいフレームワークを提案する。
様々な実験において、エネルギーのみを考慮に入れたエージェントが、100以上の原子を持つ分子を効率よく生成できることが示されている。
論文 参考訳（メタデータ） (2022-02-01T18:54:24Z) - Geometric Transformer for End-to-End Molecule Properties Prediction [92.28929858529679]
分子特性予測のためのトランスフォーマーに基づくアーキテクチャを導入し,分子の形状を捉える。
分子幾何学の初期符号化による古典的な位置エンコーダと、学習されたゲート自己保持機構を改変する。
論文 参考訳（メタデータ） (2021-10-26T14:14:40Z) - Inverse design of 3d molecular structures with conditional generative
neural networks [2.7998963147546148]
本研究では, 特定の構造と化学的性質を有する3次元分子構造のための条件生成ニューラルネットワークを提案する。
このアプローチは化学結合とは無関係であり、条件分布から新しい分子を標的としたサンプリングを可能にする。
論文 参考訳（メタデータ） (2021-09-10T12:12:38Z) - 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) - Learning a Continuous Representation of 3D Molecular Structures with
Deep Generative Models [0.0]
生成モデルは、連続的な潜伏空間における分子の表現と最適化を学ぶ全く異なるアプローチである。
原子密度格子を用いた三次元分子構造の深部生成モデルについて述べる。
また、与えられた入力化合物に基づいて多様な分子の集合をサンプリングすることで、有効な薬物様分子の創出の可能性を高めることができる。
論文 参考訳（メタデータ） (2020-10-17T01:15:47Z) - Generating 3D Molecular Structures Conditional on a Receptor Binding
Site with Deep Generative Models [0.0]
本稿では,3次元分子結合ポケット上に条件付き3次元構造を生成可能な深部生成モデルについて初めて述べる。
基準種子の構造によって定義される変分潜在空間から、有効かつ特異な分子を容易にサンプリングできることが示される。
論文 参考訳（メタデータ） (2020-10-16T16:27:47Z) - End-to-End Differentiable Molecular Mechanics Force Field Construction [0.5269923665485903]
化学環境を知覚するためにグラフニューラルネットワークを用いる別のアプローチを提案する。
プロセス全体がモジュール化されており、モデルパラメータに関してエンドツーエンドの差別化が可能である。
本手法は, 従来の原子型を再現するだけでなく, 既存の分子力学力場を正確に再現し, 拡張することができることを示す。
論文 参考訳（メタデータ） (2020-10-02T20:59:46Z) - A deep neural network for molecular wave functions in quasi-atomic
minimal basis representation [0.0]
今回提案したShNet for Orbitals (SchNOrb) Deep Convolutional Neural Network Model [Nature Commun 10, 5024]の準原子最小基底表現における電子波関数への適応について述べる。
5から13個の重原子を含む5つの有機分子に対して、このモデルは分子軌道エネルギーと波動関数を正確に予測し、化学結合解析のための導出特性へのアクセスを提供する。
論文 参考訳（メタデータ） (2020-05-11T06:55:36Z)
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。