論文の概要: Graph Energy-based Model for Substructure Preserving Molecular Design

• arxiv url: http://arxiv.org/abs/2102.04600v1
• Date: Tue, 9 Feb 2021 01:46:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-10 14:51:17.698681
• Title: Graph Energy-based Model for Substructure Preserving Molecular Design
• Title（参考訳）: 部分構造保存分子設計のためのグラフエネルギーモデル
• Authors: Ryuichiro Hataya, Hideki Nakayama, Kazuki Yoshizoe
• Abstract要約: グラフエネルギーベースのモデル(GEM)は、サブ構造を修正し、残りを生成することができます。 実験の結果、化学データセットから訓練されたGEMは、新しい分子を生成することに成功した。
• 参考スコア（独自算出の注目度）: 15.939981475281309
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: It is common practice for chemists to search chemical databases based on substructures of compounds for finding molecules with desired properties. The purpose of de novo molecular generation is to generate instead of search. Existing machine learning based molecular design methods have no or limited ability in generating novel molecules that preserves a target substructure. Our Graph Energy-based Model, or GEM, can fix substructures and generate the rest. The experimental results show that the GEMs trained from chemistry datasets successfully generate novel molecules while preserving the target substructures. This method would provide a new way of incorporating the domain knowledge of chemists in molecular design.
• Abstract（参考訳）: 化学者は、望ましい性質を持つ分子を見つけるために化合物のサブ構造に基づいて化学データベースを探索することが一般的である。 de novo分子生成の目的は探索の代わりに生成することである。 既存の機械学習に基づく分子設計法には、ターゲットとなるサブ構造を保存する新しい分子を生成する能力がまったくない。 グラフエネルギーベースのモデル(GEM)は、サブ構造を修正し、残りを生成することができます。 実験の結果, ケミカルデータセットからトレーニングしたGEMは, ターゲットのサブ構造を保存しながら, 新規分子の生成に成功した。 この手法は、化学者のドメイン知識を分子設計に組み込む新しい方法を提供する。

関連論文リスト

• GraphXForm: Graph transformer for computer-aided molecular design with application to extraction [73.1842164721868]
  本稿では,デコーダのみのグラフトランスフォーマアーキテクチャであるGraphXFormについて述べる。 液液抽出のための2つの溶媒設計課題について評価し,4つの最先端分子設計技術より優れていることを示した。
  論文  参考訳（メタデータ） (2024-11-03T19:45:15Z)
• 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)
• 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)
• 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)
• 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)
• 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)
• Inverse design of 3d molecular structures with conditional generative neural networks [2.7998963147546148]
  本研究では, 特定の構造と化学的性質を有する3次元分子構造のための条件生成ニューラルネットワークを提案する。 このアプローチは化学結合とは無関係であり、条件分布から新しい分子を標的としたサンプリングを可能にする。
  論文  参考訳（メタデータ） (2021-09-10T12:12:38Z)
• 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)
• 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。