論文の概要: Quantum Generative Models for Small Molecule Drug Discovery
- arxiv url: http://arxiv.org/abs/2101.03438v1
- Date: Sat, 9 Jan 2021 22:33:16 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-09 08:43:54.413927
- Title: Quantum Generative Models for Small Molecule Drug Discovery
- Title（参考訳）: 小分子創薬のための量子生成モデル
- Authors: Junde Li, Rasit Topaloglu, Swaroop Ghosh
- Abstract要約: 既存の創薬パイプラインは5〜10年を要し、数十億ドルの費用がかかります。
分子のよりリッチな表現を学習するためのハイブリッドジェネレータ(QGAN-HG)を用いた量子GANを提案する。
- 参考スコア（独自算出の注目度）: 8.7660229706359
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Existing drug discovery pipelines take 5-10 years and cost billions of
dollars. Computational approaches aim to sample from regions of the whole
molecular and solid-state compounds called chemical space which could be on the
order of 1060 . Deep generative models can model the underlying probability
distribution of both the physical structures and property of drugs and relate
them nonlinearly. By exploiting patterns in massive datasets, these models can
distill salient features that characterize the molecules. Generative
Adversarial Networks (GANs) discover drug candidates by generating molecular
structures that obey chemical and physical properties and show affinity towards
binding with the receptor for a target disease. However, classical GANs cannot
explore certain regions of the chemical space and suffer from
curse-of-dimensionality. A full quantum GAN may require more than 90 qubits
even to generate QM9-like small molecules. We propose a qubit-efficient quantum
GAN with a hybrid generator (QGAN-HG) to learn richer representation of
molecules via searching exponentially large chemical space with few qubits more
efficiently than classical GAN. The QGANHG model is composed of a hybrid
quantum generator that supports various number of qubits and quantum circuit
layers, and, a classical discriminator. QGAN-HG with only 14.93% retained
parameters can learn molecular distribution as efficiently as classical
counterpart. The QGAN-HG variation with patched circuits considerably
accelerates our standard QGANHG training process and avoids potential gradient
vanishing issue of deep neural networks. Code is available on GitHub
https://github.com/jundeli/quantum-gan.
- Abstract（参考訳）: 既存の医薬品発見パイプラインには5～10年かかり、数十億ドルの費用がかかる。
計算的アプローチは、化学空間と呼ばれる分子および固体化合物全体の領域から1060の順にサンプリングすることを目的としている。
深い生成モデルは、薬物の物理的構造と性質の両方の基盤となる確率分布をモデル化し、それらを非線形に関連付けることができる。
大量のデータセットのパターンを活用することで、これらのモデルは分子を特徴づける健全な特徴を抽出することができる。
GAN(Generative Adversarial Networks)は、化学的および物理的性質に従う分子構造を生成し、標的疾患の受容体との結合に親和性を示すことによって、薬物候補を発見する。
しかし、古典的なガンは化学空間の特定の領域を探索することはできず、次元の呪いに苦しむ。
完全な量子GANは、QM9のような小さな分子を生成するのに90量子ビット以上を必要とする。
本稿では、量子ビット効率の高い量子GANとハイブリッドジェネレータ(QGAN-HG)を併用した量子GANを提案し、古典的なGANよりも効率の良い量子ビット数が少ない指数的に大きな化学空間を探索することで分子のより豊かな表現を学習する。
QGANHGモデルは、様々な量子ビットと量子回路層をサポートするハイブリッド量子発生器と、古典的な判別器で構成されている。
14.93%しか保持されていないQGAN-HGは、古典的なパラメータと同様に効率的に分子分布を学習することができる。
パッチ回路によるQGAN-HGの変動は、私たちの標準的なQGANHGトレーニングプロセスを大幅に加速し、ディープニューラルネットワークの潜在的な勾配の消滅を回避する。
コードはgithub https://github.com/jundeli/quantum-ganで入手できる。
関連論文リスト
- QH9: A Quantum Hamiltonian Prediction Benchmark for QM9 Molecules [69.25826391912368]
QH9と呼ばれる新しい量子ハミルトンデータセットを生成し、999または2998の分子動力学軌道に対して正確なハミルトン行列を提供する。
現在の機械学習モデルでは、任意の分子に対するハミルトン行列を予測する能力がある。
論文 参考訳（メタデータ） (2023-06-15T23:39:07Z) - 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) - Towards Predicting Equilibrium Distributions for Molecular Systems with
Deep Learning [60.02391969049972]
本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。
DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
論文 参考訳（メタデータ） (2023-06-08T17:12:08Z) - Exploring the Advantages of Quantum Generative Adversarial Networks in
Generative Chemistry [8.98977891798507]
我々は小分子発見のためのハイブリッド量子古典生成逆数ネットワーク(GAN)を提案した。
我々は,GANの各素子を可変量子回路(VQC)で置換し,小型薬物発見における量子的優位性を実証した。
論文 参考訳（メタデータ） (2022-10-30T11:57:56Z) - Exploring Chemical Space with Score-based Out-of-distribution Generation [57.15855198512551]
生成微分方程式(SDE)にアウト・オブ・ディストリビューション制御を組み込んだスコアベース拡散方式を提案する。
いくつかの新しい分子は現実世界の薬物の基本的な要件を満たしていないため、MOODは特性予測器からの勾配を利用して条件付き生成を行う。
我々はMOODがトレーニング分布を超えて化学空間を探索できることを実験的に検証し、既存の方法で見いだされた分子、そして元のトレーニングプールの上位0.01%までも生成できることを実証した。
論文 参考訳（メタデータ） (2022-06-06T06:17:11Z) - Hybrid quantum-classical machine learning for generative chemistry and
drug design [0.0]
そこで我々は,Boltzmann Machine (RBM) を用いた小型離散分散変分オートエンコーダを構築した。
医薬化学および合成アクセシビリティ特性を有する新規な2331の化学構造を創出する。
結果は、既に存在するか、あるいはすぐに利用可能となる量子コンピューティングデバイスを、将来の薬物発見アプリケーションのためのテストベッドとして使用できる可能性を示している。
論文 参考訳（メタデータ） (2021-08-26T08:23:32Z) - Drug Discovery Approaches using Quantum Machine Learning [10.321495133438242]
深層生成モデルと予測モデルは、薬物開発を支援するために広く採用されている。
そこで本研究では,小分子の生成,タンパク質の結合ポケットの分類,大分子の生成を行う量子機械学習手法を提案する。
論文 参考訳（メタデータ） (2021-04-01T19:53:06Z) - On the equivalence of molecular graph convolution and molecular wave
function with poor basis set [7.106986689736826]
量子物理学に基づく機械学習モデルである量子深度場(QDF)について述べる。
分子エネルギー予測タスクでは、外挿の可能性を実証し、小さな分子でQDFモデルを訓練し、大きな分子でテストし、高い性能を実現した。
論文 参考訳（メタデータ） (2020-11-16T13:20:35Z) - MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [51.00815310242277]
生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。
本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
論文 参考訳（メタデータ） (2020-10-05T20:18:42Z) - Quantum Simulation of 2D Quantum Chemistry in Optical Lattices [59.89454513692418]
本稿では,光学格子中の低温原子に基づく離散2次元量子化学モデルのアナログシミュレータを提案する。
まず、単一フェルミオン原子を用いて、HとH$+$の離散バージョンのような単純なモデルをシミュレートする方法を分析する。
次に、一つのボゾン原子が2つのフェルミオン間の効果的なクーロン反発を媒介し、2次元の水素分子の類似性をもたらすことを示す。
論文 参考訳（メタデータ） (2020-02-21T16:00:36Z)
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。