論文の概要: ATOM3D: Tasks On Molecules in Three Dimensions

• arxiv url: http://arxiv.org/abs/2012.04035v1
• Date: Mon, 7 Dec 2020 20:18:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-18 07:26:02.625458
• Title: ATOM3D: Tasks On Molecules in Three Dimensions
• Title（参考訳）: ATOM3D: 3次元の分子のタスク
• Authors: Raphael J.L. Townshend, Martin V\"ogele, Patricia Suriana, Alexander Derry, Alexander Powers, Yianni Laloudakis, Sidhika Balachandar, Brandon Anderson, Stephan Eismann, Risi Kondor, Russ B. Altman, Ron O. Dror
• Abstract要約: 近年、深層ニューラルネットワークが注目されている。 本稿では,生物分子のいくつかの重要なクラスにまたがる新しいデータセットと既存のデータセットのコレクションであるATOM3Dを紹介する。 これらのタスクごとに3次元の分子学習ネットワークを開発し、パフォーマンスを一貫して改善します。
• 参考スコア（独自算出の注目度）: 91.72138447636769
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Computational methods that operate directly on three-dimensional molecular structure hold large potential to solve important questions in biology and chemistry. In particular deep neural networks have recently gained significant attention. In this work we present ATOM3D, a collection of both novel and existing datasets spanning several key classes of biomolecules, to systematically assess such learning methods. We develop three-dimensional molecular learning networks for each of these tasks, finding that they consistently improve performance relative to one- and two-dimensional methods. The specific choice of architecture proves to be critical for performance, with three-dimensional convolutional networks excelling at tasks involving complex geometries, while graph networks perform well on systems requiring detailed positional information. Furthermore, equivariant networks show significant promise. Our results indicate many molecular problems stand to gain from three-dimensional molecular learning. All code and datasets can be accessed via https://www.atom3d.ai .
• Abstract（参考訳）: 三次元分子構造に直接作用する計算手法は、生物学や化学における重要な問題を解く大きな可能性を秘めている。 特にディープニューラルネットワークは最近大きな注目を集めている。 本稿では,生物分子のいくつかの重要なクラスにまたがる新しいデータセットと既存のデータセットのコレクションであるATOM3Dを紹介し,そのような学習方法を体系的に評価する。 これらの課題ごとに3次元分子学習ネットワークを構築し、1次元と2次元の手法と比較して連続的に性能を向上させることを発見した。 アーキテクチャの特定の選択は、複雑なジオメトリを含むタスクに優れた3次元畳み込みネットワークと、詳細な位置情報を必要とするシステムでグラフネットワークがうまく機能することを証明している。 さらに、同変ネットワークは大きな期待を示す。 以上の結果から,3次元の分子学習から得られる多くの分子問題が示唆された。 すべてのコードとデータセットは https://www.atom3d.ai を通じてアクセスすることができる。

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)
• HeMeNet: Heterogeneous Multichannel Equivariant Network for Protein Multitask Learning [33.972536394058004]
  本稿では,3次元タンパク質構造の入力に基づいて,複数のタスクを協調的に処理するニューラルネットワークモデルを提案する。 特に,我々はまず,Protein-MTと呼ばれる標準構造に基づくマルチタスクベンチマークを構築した。 そこで我々は,HeMeNet(Heterogeneous Multi Channel Equivariant Network)と呼ばれる,マルチタスク学習のための新しいグラフニューラルネットワークを開発した。
  論文  参考訳（メタデータ） (2024-04-02T06:53:45Z)
• A Hitchhiker's Guide to Geometric GNNs for 3D Atomic Systems [87.30652640973317]
  原子系の計算モデリングの最近の進歩は、これらを3次元ユークリッド空間のノードとして埋め込まれた原子を含む幾何学的グラフとして表現している。 Geometric Graph Neural Networksは、タンパク質構造予測から分子シミュレーション、物質生成まで、幅広い応用を駆動する機械学習アーキテクチャとして好まれている。 本稿では,3次元原子システムのための幾何学的GNNの分野について,包括的で自己完結した概要を述べる。
  論文  参考訳（メタデータ） (2023-12-12T18:44:19Z)
• A Universal Framework for Accurate and Efficient Geometric Deep Learning of Molecular Systems [19.268713909099507]
  PAMNetは、どんな分子系でも様々な大きさの3D分子の表現を学習するための普遍的なフレームワークである。 分子力学にインスパイアされたPAMNetは、局所的および非局所的相互作用とそれらの結合効果を明示的にモデル化するために、物理インフォームドバイアスを誘導する。 ベンチマーク研究において、PAMNetは3つの多様な学習タスクにおいて、正確性と効率の両面で最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2023-11-19T04:52:05Z)
• 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)
• ViSNet: an equivariant geometry-enhanced graph neural network with vector-scalar interactive message passing for molecules [69.05950120497221]
  本稿では、幾何学的特徴をエレガントに抽出し、分子構造を効率的にモデル化する同変幾何拡張グラフニューラルネットワークViSNetを提案する。 提案するViSNetは,MD17,MD17,MD22を含む複数のMDベンチマークにおける最先端の手法よりも優れ,QM9およびMolecule3Dデータセット上での優れた化学的特性予測を実現する。
  論文  参考訳（メタデータ） (2022-10-29T07:12:46Z)
• Equivariant Graph Attention Networks for Molecular Property Prediction [0.34376560669160383]
  大きさの異なる3D分子構造について学ぶことは、機械学習、特に薬物発見における新たな課題である。 本稿では,カルテシアン座標を用いた等変グラフニューラルネットワーク(GNN)を提案する。 小分子の量子力学的性質の予測におけるアーキテクチャの有効性を実証し,タンパク質複合体などの高分子構造に関する問題に対するその利点を示す。
  論文  参考訳（メタデータ） (2022-02-20T19:07:29Z)
• 3D Infomax improves GNNs for Molecular Property Prediction [1.9703625025720701]
  本稿では,2次元分子グラフのみに与えられる分子の幾何学をモデル化するための事前学習モデルを提案する。 我々は,3次元事前学習が幅広い特性に対して大きな改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2021-10-08T13:30:49Z)
• 3D-Transformer: Molecular Representation with Transformer in 3D Space [11.947499562836953]
  3Dトランスフォーマー(3D-Transformer)は、3D空間情報を組み込んだ分子表現用トランスフォーマーの変種である。 本実験は, 結晶特性予測タスクとタンパク質-リガンド結合親和性予測タスクにおいて, 最先端モデルに対して有意な改善が認められた。
  論文  参考訳（メタデータ） (2021-10-04T05:11:23Z)
• TSGCNet: Discriminative Geometric Feature Learning with Two-Stream GraphConvolutional Network for 3D Dental Model Segmentation [141.2690520327948]
  2流グラフ畳み込みネットワーク(TSGCNet)を提案し、異なる幾何学的特性から多視点情報を学ぶ。 3次元口腔内スキャナーで得られた歯科モデルのリアルタイムデータセットを用いてTSGCNetの評価を行った。
  論文  参考訳（メタデータ） (2020-12-26T08:02:56Z)

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。