論文の概要: Controlled Molecule Generator for Optimizing Multiple Chemical Properties

• arxiv url: http://arxiv.org/abs/2010.13908v1
• Date: Mon, 26 Oct 2020 21:26:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-02 18:02:58.836263
• Title: Controlled Molecule Generator for Optimizing Multiple Chemical Properties
• Title（参考訳）: 複数の化学特性を最適化する制御分子発生装置
• Authors: Bonggun Shin, Sungsoo Park, JinYeong Bak, Joyce C. Ho
• Abstract要約: 2つの制約ネットワークを持つトランスフォーマーに基づく新しい最適化された分子生成モデルを提案する。 実験により,提案モデルでは,複数の特性を同時に最適化する上で,最先端モデルよりも有意な差が認められた。
• 参考スコア（独自算出の注目度）: 9.10095508718581
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generating a novel and optimized molecule with desired chemical properties is an essential part of the drug discovery process. Failure to meet one of the required properties can frequently lead to failure in a clinical test which is costly. In addition, optimizing these multiple properties is a challenging task because the optimization of one property is prone to changing other properties. In this paper, we pose this multi-property optimization problem as a sequence translation process and propose a new optimized molecule generator model based on the Transformer with two constraint networks: property prediction and similarity prediction. We further improve the model by incorporating score predictions from these constraint networks in a modified beam search algorithm. The experiments demonstrate that our proposed model outperforms state-of-the-art models by a significant margin for optimizing multiple properties simultaneously.
• Abstract（参考訳）: 化学的性質が望ましい新規で最適化された分子の生成は、薬物発見プロセスの不可欠な部分である。 必要な特性の1つを満たさないと、コストのかかる臨床テストで失敗することが少なくありません。 さらに、これらの複数のプロパティの最適化は、あるプロパティの最適化が他のプロパティの変更に近付くため、難しいタスクである。 本稿では,このマルチプロパティ最適化問題をシーケンス変換プロセスとして適用し,特性予測と類似性予測という2つの制約付きトランスフォーマーに基づく新しい最適化分子生成モデルを提案する。 我々は,これらの制約ネットワークからのスコア予測を修正ビーム探索アルゴリズムに組み込むことにより,モデルをさらに改善する。 実験により,提案モデルが最先端モデルに匹敵し,同時に複数の特性を最適化できることを示す。

関連論文リスト

• Balancing property optimization and constraint satisfaction for constrained multi-property molecular optimization [13.665517935917048]
  複数の分子特性を同時に最適化するフレキシブルかつ効率的な手法である制約付きマルチプロパタイト分子最適化フレームワーク(CMOMO)を提案する。 実験の結果,5つの最先端分子最適化法よりもCMOMOの方が優れた性能を示した。
  論文  参考訳（メタデータ） (2024-11-19T02:01:13Z)
• XMOL: Explainable Multi-property Optimization of Molecules [2.320539066224081]
  複数の分子特性を同時に最適化するために,分子のマルチプロパティ最適化(XMOL)を提案する。 我々のアプローチは、最先端の幾何学的拡散モデルに基づいており、それらをマルチプロパティ最適化に拡張している。 最適化プロセス全体を通して解釈的および説明可能な技術を統合する。
  論文  参考訳（メタデータ） (2024-09-12T06:35:04Z)
• Molecule Design by Latent Prompt Transformer [76.2112075557233]
  本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。 本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-27T03:33:23Z)
• A Pareto-optimal compositional energy-based model for sampling and optimization of protein sequences [55.25331349436895]
  深層生成モデルは、生命科学における逆問題に対する一般的な機械学習ベースのアプローチとして登場した。 これらの問題は、データ分布の学習に加えて、興味のある複数の特性を満たす新しい設計をサンプリングする必要があることが多い。
  論文  参考訳（メタデータ） (2022-10-19T19:04:45Z)
• Molecular Attributes Transfer from Non-Parallel Data [57.010952598634944]
  分子最適化をスタイル伝達問題として定式化し、非並列データの2つのグループ間の内部差を自動的に学習できる新しい生成モデルを提案する。 毒性修飾と合成性向上という2つの分子最適化タスクの実験により,本モデルがいくつかの最先端手法を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2021-11-30T06:10:22Z)
• Molecule Optimization via Fragment-based Generative Models [21.888942129750124]
  創薬において、分子最適化は、望ましい薬物特性の観点から薬候補をより良いものにするための重要なステップである。 本稿では,計算量最適化分子に対する革新的シリコアプローチを提案し,最適化分子グラフを生成するために問題を定式化する。 我々の生成モデルはフラグメントベースの薬物設計の重要なアイデアに従い、小さなフラグメントを変更することで分子を最適化します。
  論文  参考訳（メタデータ） (2020-12-08T05:52:16Z)
• Optimizing Molecules using Efficient Queries from Property Evaluations [66.66290256377376]
  汎用的なクエリベースの分子最適化フレームワークであるQMOを提案する。 QMOは効率的なクエリに基づいて入力分子の所望の特性を改善する。 QMOは, 有機分子を最適化するベンチマークタスクにおいて, 既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-03T18:51:18Z)
• MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [51.00815310242277]
  生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。 本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
  論文  参考訳（メタデータ） (2020-10-05T20:18:42Z)
• Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
  本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。 提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-10-05T20:03:13Z)

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。