論文の概要: Deep Molecular Dreaming: Inverse machine learning for de-novo molecular
design and interpretability with surjective representations
- arxiv url: http://arxiv.org/abs/2012.09712v1
- Date: Thu, 17 Dec 2020 16:34:59 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-02 14:39:40.109242
- Title: Deep Molecular Dreaming: Inverse machine learning for de-novo molecular
design and interpretability with surjective representations
- Title（参考訳）: Deep Molecular Dreaming: Inverse Machine Learning for De-novo Molecular Design and Interpretability with surjective representations
- Authors: Cynthia Shen, Mario Krenn, Sagi Eppel, Alan Aspuru-Guzik
- Abstract要約: コンピュータビジョンを用いた勾配に基づく分子最適化手法PASITHEAを提案する。
ニューラルネットワークの学習プロセスを直接反転させることで勾配の利用を生かし、実際の化学特性を予測するために訓練される。
その結果は予備的ですが、逆トレーニング中の選択されたプロパティの分布の変化、PASITHEAの生存可能性を明確に示しています。
- 参考スコア（独自算出の注目度）: 1.433758865948252
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Computer-based de-novo design of functional molecules is one of the most
prominent challenges in cheminformatics today. As a result, generative and
evolutionary inverse designs from the field of artificial intelligence have
emerged at a rapid pace, with aims to optimize molecules for a particular
chemical property. These models 'indirectly' explore the chemical space; by
learning latent spaces, policies, distributions or by applying mutations on
populations of molecules. However, the recent development of the SELFIES string
representation of molecules, a surjective alternative to SMILES, have made
possible other potential techniques. Based on SELFIES, we therefore propose
PASITHEA, a direct gradient-based molecule optimization that applies
inceptionism techniques from computer vision. PASITHEA exploits the use of
gradients by directly reversing the learning process of a neural network, which
is trained to predict real-valued chemical properties. Effectively, this forms
an inverse regression model, which is capable of generating molecular variants
optimized for a certain property. Although our results are preliminary, we
observe a shift in distribution of a chosen property during inverse-training, a
clear indication of PASITHEA's viability. A striking property of inceptionism
is that we can directly probe the model's understanding of the chemical space
it was trained on. We expect that extending PASITHEA to larger datasets,
molecules and more complex properties will lead to advances in the design of
new functional molecules as well as the interpretation and explanation of
machine learning models.
- Abstract（参考訳）: コンピュータによる機能分子のデノボ設計は、今日の化学情報学における最も顕著な課題の1つである。
その結果、人工知能の分野からの生成的および進化的逆設計が急速に発展し、特定の化学的性質のために分子を最適化することを目指している。
これらのモデルは「間接的に」化学空間を探索し、潜伏空間、政策、分布を学習したり、分子の集団に突然変異を施すことで探索する。
しかし、SMILESの代替である分子のSELFIES文字列表現の最近の発展により、他の潜在的な技術が考えられるようになった。
そこで本研究では,SELFIESに基づく直進勾配に基づく分子最適化手法PASITHEAを提案する。
PASITHEAは、ニューラルネットワークの学習プロセスを直接反転させることで勾配の利用を利用する。
効果的に、これはある性質に最適化された分子変種を生成することができる逆回帰モデルを形成する。
結果は予備的ではあるが,パシテアの生存可能性を明確に示し,逆訓練中の選択された属性の分布の変化を観察した。
インセプション主義の驚くべき特性は、モデルがトレーニングした化学空間に対する理解を直接調査できることである。
PASITHEAをより大きなデータセット、分子、さらに複雑な性質に拡張することは、新しい機能分子の設計と機械学習モデルの解釈と説明につながると期待している。
関連論文リスト
- MolMiner: Transformer architecture for fragment-based autoregressive generation of molecular stories [7.366789601705544]
生成過程の化学的妥当性、解釈可能性、可変分子サイズへの柔軟性は、計算材料設計における生成モデルに残る課題の1つである。
本稿では,分子生成を離散的かつ解釈可能なステップの列に分解する自己回帰的手法を提案する。
この結果から,本モデルでは,提案した多目的目標目標に応じて,生成分布を効果的にバイアスすることができることがわかった。
論文 参考訳（メタデータ） (2024-11-10T22:00:55Z) - Pre-trained Molecular Language Models with Random Functional Group Masking [54.900360309677794]
SMILESをベースとしたアンダーリネム分子アンダーリネム言語アンダーリネムモデルを提案し,特定の分子原子に対応するSMILESサブシーケンスをランダムにマスキングする。
この技術は、モデルに分子構造や特性をよりよく推測させ、予測能力を高めることを目的としている。
論文 参考訳（メタデータ） (2024-11-03T01:56:15Z) - MING: A Functional Approach to Learning Molecular Generative Models [46.189683355768736]
本稿では,関数表現に基づく分子生成モデル学習のための新しいパラダイムを提案する。
本稿では,関数空間における分子分布を学習する拡散モデルである分子インプリシットニューラルジェネレーション(MING)を提案する。
論文 参考訳（メタデータ） (2024-10-16T13:02:02Z) - 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) - 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) - 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) - 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) - Retrieval-based Controllable Molecule Generation [63.44583084888342]
制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。
我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。
提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
論文 参考訳（メタデータ） (2022-08-23T17:01:16Z) - 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) - Reinforcement Learning for Molecular Design Guided by Quantum Mechanics [10.112779201155005]
分子設計のための新しいRL式を座標で提示し、構築可能な分子のクラスを拡張した。
我々の報酬関数は、高速量子化学法で近似したエネルギーのような基本的な物理的性質に基づいている。
本実験では, 翻訳および回転不変状態-作用空間で作業することで, エージェントがスクラッチからこれらの課題を効率的に解けることを示す。
論文 参考訳（メタデータ） (2020-02-18T16:43:58Z)
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。