論文の概要: Barking up the right tree: an approach to search over molecule synthesis DAGs

• arxiv url: http://arxiv.org/abs/2012.11522v1
• Date: Mon, 21 Dec 2020 17:35:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-27 06:17:30.882449
• Title: Barking up the right tree: an approach to search over molecule synthesis DAGs
• Title（参考訳）: 正しい木をbarkeing up the right tree: a approach to search over molecular synthesis dag (特集 分子合成dag)
• Authors: John Bradshaw, Brooks Paige, Matt J. Kusner, Marwin H. S. Segler, Jos\'e Miguel Hern\'andez-Lobato
• Abstract要約: 現在の分子の深層生成モデルは合成可能性を無視している。 我々は,現実世界のプロセスをよりよく表現する深い生成モデルを提案する。 我々のアプローチは化学空間をうまくモデル化でき、幅広い多様な分子を生成できることを示します。
• 参考スコア（独自算出の注目度）: 28.13323960125482
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: When designing new molecules with particular properties, it is not only important what to make but crucially how to make it. These instructions form a synthesis directed acyclic graph (DAG), describing how a large vocabulary of simple building blocks can be recursively combined through chemical reactions to create more complicated molecules of interest. In contrast, many current deep generative models for molecules ignore synthesizability. We therefore propose a deep generative model that better represents the real world process, by directly outputting molecule synthesis DAGs. We argue that this provides sensible inductive biases, ensuring that our model searches over the same chemical space that chemists would also have access to, as well as interpretability. We show that our approach is able to model chemical space well, producing a wide range of diverse molecules, and allows for unconstrained optimization of an inherently constrained problem: maximize certain chemical properties such that discovered molecules are synthesizable.
• Abstract（参考訳）: 特定の性質を持つ新しい分子を設計する際には、何を作るかだけでなく、どのように作るかが重要である。 これらの命令は合成指向非環状グラフ(DAG)を形成し、単純な構造ブロックの大きな語彙を化学反応によって再帰的に結合し、より複雑な興味を持つ分子を生成する方法を記述する。 対照的に、分子の多くの深い生成モデルは合成可能性を無視している。 そこで我々は,分子合成dagを直接出力することにより,現実世界のプロセスをよりよく表現する深い生成モデルを提案する。 これは賢明な帰納的バイアスをもたらし、我々のモデルが化学者が解釈可能性と同様に利用できるであろう同じ化学空間を探索することを保証する。 我々のアプローチは化学空間をうまくモデル化でき、様々な分子を生成でき、本質的に制約された問題の非拘束的最適化を可能にしている。

関連論文リスト

• STRIDE: Structure-guided Generation for Inverse Design of Molecules [0.24578723416255752]
  $textbfSTRIDE$は、既知の分子によって誘導される無条件生成モデルを持つ新規分子を生成する生成分子ワークフローである。 生成分子は、平均21.7%低い合成アクセシビリティスコアを持ち、生成分子の5.9%のイオン化ポテンシャルを誘導する。
  論文  参考訳（メタデータ） (2023-11-06T08:22:35Z)
• 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)
• Domain-Agnostic Molecular Generation with Chemical Feedback [44.063584808910896]
  MolGenは、分子生成に特化した事前訓練された分子言語モデルである。 1億以上の分子SELFIESを再構成することで構造的および文法的な洞察を内部化する。 我々の化学フィードバックパラダイムは、モデルを分子幻覚から遠ざけ、モデルの推定確率と実世界の化学的嗜好との整合性を確保する。
  論文  参考訳（メタデータ） (2023-01-26T17:52:56Z)
• 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)
• 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)
• RetroGNN: Approximating Retrosynthesis by Graph Neural Networks for De Novo Drug Design [75.14290780116002]
  我々は、再合成計画ソフトウェアの出力を近似するために、ディープグラフニューラルネットワークを訓練する。 提案手法では, 薬剤的特性は良好であり, 合成が容易であるにもかかわらず, 抗生物質である可能性が示唆された分子について検討した。
  論文  参考訳（メタデータ） (2020-11-25T22:04:16Z)
• Learning Latent Space Energy-Based Prior Model for Molecule Generation [59.875533935578375]
  分子モデリングのためのSMILES表現を用いた潜時空間エネルギーに基づく先行モデルについて学習する。 本手法は,最先端モデルと競合する妥当性と特異性を持つ分子を生成することができる。
  論文  参考訳（メタデータ） (2020-10-19T09:34:20Z)
• Learning Graph Models for Retrosynthesis Prediction [90.15523831087269]
  再合成予測は有機合成の基本的な問題である。 本稿では,前駆体分子のグラフトポロジーが化学反応中にほとんど変化しないという考え方を生かしたグラフベースのアプローチを提案する。 提案モデルでは,テンプレートフリーおよび半テンプレートベースの手法よりも高い5,3.7%の精度でトップ1の精度を実現している。
  論文  参考訳（メタデータ） (2020-06-12T09:40:42Z)
• Multi-Objective Molecule Generation using Interpretable Substructures [38.637412590671865]
  薬物発見は、特定の化学的性質を持つ新規化合物を見つけることを目的としている。 目的は、複数の性質制約の交わりで分子をサンプリングすることを学ぶことである。 我々は、分子の合理性と呼ばれる部分構造の語彙から分子を構成することによって、この複雑さを相殺することを提案する。
  論文  参考訳（メタデータ） (2020-02-08T22:55:37Z)

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。