論文の概要: Learning a Continuous Representation of 3D Molecular Structures with
Deep Generative Models
- arxiv url: http://arxiv.org/abs/2010.08687v3
- Date: Sun, 15 Nov 2020 03:47:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-06 12:23:42.096864
- Title: Learning a Continuous Representation of 3D Molecular Structures with
Deep Generative Models
- Title(参考訳): 深部生成モデルによる3次元分子構造の連続表現の学習
- Authors: Matthew Ragoza, Tomohide Masuda, David Ryan Koes
- Abstract要約: 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。
- 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: Machine learning in drug discovery has been focused on virtual screening of
molecular libraries using discriminative models. Generative models are an
entirely different approach that learn to represent and optimize molecules in a
continuous latent space. These methods have been increasingly successful at
generating two dimensional molecules as SMILES strings and molecular graphs. In
this work, we describe deep generative models of three dimensional molecular
structures using atomic density grids and a novel fitting algorithm for
converting continuous grids to discrete molecular structures. Our models
jointly represent drug-like molecules and their conformations in a latent space
that can be explored through interpolation. We are also able to sample diverse
sets of molecules based on a given input compound and increase the probability
of creating valid, drug-like molecules.
- Abstract(参考訳): 薬物発見における機械学習は、識別モデルを用いた分子ライブラリの仮想スクリーニングに焦点を当てている。
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。
これらの手法はSMILES文字列や分子グラフとして2次元分子を生成することに成功している。
本稿では,原子密度格子を用いた3次元分子構造の深い生成モデルと,連続格子を離散的分子構造に変換する新しい適合アルゴリズムについて述べる。
我々のモデルは、補間によって探索できる潜在空間における薬物様分子とその配座を共同で表現する。
また、与えられた入力化合物に基づいて様々な分子をサンプリングし、有効な薬物様分子を作る確率を高めることができる。
関連論文リスト
- Pre-training of Molecular GNNs via Conditional Boltzmann Generator [0.0]
分子配座のデータセットを用いた分子GNNの事前学習法を提案する。
本モデルは,既存の事前学習法よりも分子特性の予測性能がよいことを示す。
論文 参考訳(メタデータ) (2023-12-20T15:30:15Z) - 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) - 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) - Learning Harmonic Molecular Representations on Riemannian Manifold [18.49126496517951]
分子表現学習は、AIによる薬物発見研究において重要な役割を担っている。
本研究では,その分子表面のラプラス・ベルトラミ固有関数を用いた分子を表現する高調波分子表現学習フレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-27T18:02:47Z) - A Molecular Multimodal Foundation Model Associating Molecule Graphs with
Natural Language [63.60376252491507]
本稿では,分子グラフとその意味的関連テキストデータから事前学習した分子マルチモーダル基礎モデルを提案する。
我々のモデルは、生物学、化学、材料、環境、医学などの分野において、AIを動力とする分野に幅広い影響を与えるだろうと考えています。
論文 参考訳(メタデータ) (2022-09-12T00:56:57Z) - 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) - 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) - 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)
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。