論文の概要: Molecular Mechanics-Driven Graph Neural Network with Multiplex Graph for Molecular Structures

• arxiv url: http://arxiv.org/abs/2011.07457v1
• Date: Sun, 15 Nov 2020 05:55:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-25 07:48:27.035359
• Title: Molecular Mechanics-Driven Graph Neural Network with Multiplex Graph for Molecular Structures
• Title（参考訳）: 多重グラフによる分子構造のための分子力学駆動型グラフニューラルネットワーク
• Authors: Shuo Zhang, Yang Liu, Lei Xie
• Abstract要約: 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
• 参考スコア（独自算出の注目度）: 20.276492931562036
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The prediction of physicochemical properties from molecular structures is a crucial task for artificial intelligence aided molecular design. A growing number of Graph Neural Networks (GNNs) have been proposed to address this challenge. These models improve their expressive power by incorporating auxiliary information in molecules while inevitably increase their computational complexity. In this work, we aim to design a GNN which is both powerful and efficient for molecule structures. To achieve such goal, we propose a molecular mechanics-driven approach by first representing each molecule as a two-layer multiplex graph, where one layer contains only local connections that mainly capture the covalent interactions and another layer contains global connections that can simulate non-covalent interactions. Then for each layer, a corresponding message passing module is proposed to balance the trade-off of expression power and computational complexity. Based on these two modules, we build Multiplex Molecular Graph Neural Network (MXMNet). When validated by the QM9 dataset for small molecules and PDBBind dataset for large protein-ligand complexes, MXMNet achieves superior results to the existing state-of-the-art models under restricted resources.
• Abstract（参考訳）: 分子構造からの物理化学的性質の予測は、人工知能による分子設計の重要な課題である。 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。 これらのモデルは、必然的に計算の複雑さを増加させながら、分子に補助情報を組み込むことで表現力を向上させる。 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。 この目的を達成するために,まず各分子を2層多重グラフとして表現し,一方の層が共有結合を主に捉える局所接続のみを含み,もう一方の層が非共有相互作用をシミュレートする大域接続を含む分子力学駆動アプローチを提案する。 そして、各層に対して、表現力と計算複雑性のトレードオフのバランスをとるために、対応するメッセージパッシングモジュールを提案する。 これら2つのモジュールに基づいて、Multiformx Molecular Graph Neural Network (MXMNet)を構築する。 小分子のQM9データセットとタンパク質-リガンド複合体のPDBBindデータセットによって検証されると、MXMNetは制限されたリソースの下で既存の最先端モデルよりも優れた結果が得られる。

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)
• Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
  我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。 我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。 複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
  論文  参考訳（メタデータ） (2023-02-04T01:32:40Z)
• 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)
• Learning Attributed Graph Representations with Communicative Message Passing Transformer [3.812358821429274]
  分子グラフ表現を改善するために,コミュニケーティブメッセージパッシングトランス (CoMPT) ニューラルネットワークを提案する。 分子を完全連結グラフとして扱う従来のトランスフォーマースタイルのGNNとは異なり、グラフ接続帰納バイアスを利用するメッセージ拡散機構を導入する。
  論文  参考訳（メタデータ） (2021-07-19T11:58:32Z)
• 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)
• Heterogeneous Molecular Graph Neural Networks for Predicting Molecule Properties [12.897488702184306]
  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。
  論文  参考訳（メタデータ） (2020-09-26T23:29:41Z)
• 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)
• Self-Supervised Graph Transformer on Large-Scale Molecular Data [73.3448373618865]
  分子表現学習のための新しいフレームワークGROVERを提案する。 GROVERは、分子の豊富な構造的および意味的な情報を、巨大な未標識分子データから学習することができる。 分子表現学習において、最大のGNNであり、最大のトレーニングデータセットである、1000万個の未標識分子に1億のパラメータを持つGROVERを事前訓練します。
  論文  参考訳（メタデータ） (2020-06-18T08:37:04Z)
• Multi-View Graph Neural Networks for Molecular Property Prediction [67.54644592806876]
  マルチビューグラフニューラルネットワーク(MV-GNN)を提案する。 MV-GNNでは,学習過程を安定させるために,自己注意型読み出しコンポーネントと不一致損失を導入する。 我々は、相互依存型メッセージパッシング方式を提案することにより、MV-GNNの表現力をさらに強化する。
  論文  参考訳（メタデータ） (2020-05-17T04:46:07Z)

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。