論文の概要: Symmetry-Aware Actor-Critic for 3D Molecular Design

• arxiv url: http://arxiv.org/abs/2011.12747v1
• Date: Wed, 25 Nov 2020 14:04:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-21 02:28:54.469956
• Title: Symmetry-Aware Actor-Critic for 3D Molecular Design
• Title（参考訳）: 対称性を考慮した3次元分子設計
• Authors: Gregor N. C. Simm, Robert Pinsler, G\'abor Cs\'anyi and Jos\'e Miguel Hern\'andez-Lobato
• Abstract要約: 本稿では,従来のアプローチでは実現不可能な構造を生成可能な3次元分子設計のための新しいアクタークリティカルアーキテクチャを提案する。 これは、回転的に共変状態-作用表現を通じて設計プロセスの対称性を活用することで達成される。 いくつかの3次元分子設計タスクに対するアプローチの利点を実証し、そのような対称性で構築することで、生成分子の一般化と品質が大幅に向上することを示した。
• 参考スコア（独自算出の注目度）: 9.257157190657443
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automating molecular design using deep reinforcement learning (RL) has the potential to greatly accelerate the search for novel materials. Despite recent progress on leveraging graph representations to design molecules, such methods are fundamentally limited by the lack of three-dimensional (3D) information. In light of this, we propose a novel actor-critic architecture for 3D molecular design that can generate molecular structures unattainable with previous approaches. This is achieved by exploiting the symmetries of the design process through a rotationally covariant state-action representation based on a spherical harmonics series expansion. We demonstrate the benefits of our approach on several 3D molecular design tasks, where we find that building in such symmetries significantly improves generalization and the quality of generated molecules.
• Abstract（参考訳）: 深部強化学習(RL)を用いた分子設計の自動化は,新規物質の探索を大幅に加速させる可能性がある。 グラフ表現を設計分子に活用する最近の進歩にもかかわらず、そのような手法は3次元(3D)情報の欠如によって根本的に制限されている。 これを踏まえて,従来の手法では実現不可能な分子構造を生成できる3次元分子設計のための新たなアクタ-クリティックアーキテクチャを提案する。 これは、球面調和級数展開に基づく回転共変状態-作用表現を通じて設計プロセスの対称性を活用することで達成される。 いくつかの3次元分子設計タスクに対するアプローチの利点を実証し、そのような対称性で構築することで、生成分子の一般化と品質が大幅に向上することを示した。

関連論文リスト

• UniIF: Unified Molecule Inverse Folding [67.60267592514381]
  全分子の逆折り畳みのための統一モデルUniIFを提案する。 提案手法は,全タスクにおける最先端手法を超越した手法である。
  論文  参考訳（メタデータ） (2024-05-29T10:26:16Z)
• Sculpting Molecules in 3D: A Flexible Substructure Aware Framework for Text-Oriented Molecular Optimization [11.336868279763804]
  本稿では,多モードガイダンス生成/最適化タスクとして定式化することで,逆設計問題に対処する革新的な手法を提案する。 提案手法は,分子生成・最適化タスク,すなわち3DToMoloの実装のためのテクスチャ構造アライメント対称拡散フレームワークを含む。 3つのガイダンス生成設定での試行は、最先端の手法と比較して、ヒット生成性能が優れていることを示している。
  論文  参考訳（メタデータ） (2024-03-06T03:15:25Z)
• Automated 3D Pre-Training for Molecular Property Prediction [54.15788181794094]
  新たな3D事前学習フレームワーク(3D PGT)を提案する。 3D分子グラフのモデルを事前訓練し、3D構造のない分子グラフに微調整する。 提案した3次元PGTの精度, 効率, 一般化能力を示すために, 2次元分子グラフの大規模実験を行った。
  論文  参考訳（メタデータ） (2023-06-13T14:43:13Z)
• Geometric Latent Diffusion Models for 3D Molecule Generation [172.15028281732737]
  生成モデル、特に拡散モデル(DM)は、特徴豊富な測地を生成する上で有望な結果を得た。 我々はGeoLDM(Geometric Latent Diffusion Models)と呼ばれる新しい3次元分子生成法を提案する。
  論文  参考訳（メタデータ） (2023-05-02T01:07:22Z)
• 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)
• An Equivariant Generative Framework for Molecular Graph-Structure Co-Design [54.92529253182004]
  分子グラフ構造アンダーラインCo設計のための機械学習ベースの生成フレームワークであるMollCodeを提案する。 MolCodeでは、3D幾何情報によって分子2Dグラフの生成が促進され、それによって分子3D構造の予測が導かれる。 分子設計における2次元トポロジーと3次元幾何は本質的に相補的な情報を含んでいることが明らかとなった。
  論文  参考訳（メタデータ） (2023-04-12T13:34:22Z)
• Geometry-Complete Diffusion for 3D Molecule Generation and Optimization [3.8366697175402225]
  3次元分子生成のための幾何-完全拡散モデル(GCDM)を導入する。 GCDMは、既存の3次元分子拡散モデルよりも条件および非条件設定間で大きなマージンで優れている。 また、GCDMの幾何学的特徴は、既存の3次元分子の幾何学的および化学組成を一貫して最適化するために再利用可能であることも示している。
  論文  参考訳（メタデータ） (2023-02-08T20:01:51Z)
• Equivariant Shape-Conditioned Generation of 3D Molecules for Ligand-Based Drug Design [3.032184156362992]
  分子形状を符号化し,化学的アイデンティティを変動的に符号化することで,形状条件付き3次元分子設計を可能にする新しい3次元生成モデルを提案する。 本研究では, 分子構造の形状条件による生成や, 分子特性の最適化など, 薬物設計に関わる課題における3次元生成モデルの評価を行った。
  論文  参考訳（メタデータ） (2022-10-06T19:37:34Z)
• 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)
• Augmenting Molecular Deep Generative Models with Topological Data Analysis Representations [21.237758981760784]
  分子のトポロジカルデータ解析(TDA)表現を付加したSMILES変分自動エンコーダ(VAE)を提案する。 実験の結果, このTDA拡張により, SMILES VAEは3次元幾何学と電子特性の複雑な関係を捉えることができることがわかった。
  論文  参考訳（メタデータ） (2021-06-08T15:49:21Z)

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。