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
- 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) - Molecular Language Model as Multi-task Generator [30.738684922996466]
MolGenはトレーニング済みの分子言語モデルで、複数の世代タスクやドメインの知識を効果的に学習し、共有する。
実験により、MollGenはよく知られた分子生成ベンチマークデータセットで優れた性能を得ることができることが示された。
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) - Advanced Graph and Sequence Neural Networks for Molecular Property
Prediction and Drug Discovery [53.00288162642151]
計算モデルや分子表現にまたがる包括的な機械学習ツール群であるMoleculeKitを開発した。
これらの表現に基づいて構築されたMoeculeKitには、ディープラーニングと、グラフとシーケンスデータのための従来の機械学習方法の両方が含まれている。
オンラインおよびオフラインの抗生物質発見と分子特性予測のタスクの結果から、MoneculeKitは以前の方法よりも一貫した改善を実現していることがわかる。
論文 参考訳(メタデータ) (2020-12-02T02:09:31Z) - Reinforced Molecular Optimization with Neighborhood-Controlled Grammars [63.84003497770347]
分子最適化のためのグラフ畳み込みポリシネットワークであるMNCE-RLを提案する。
我々は、元の近傍制御された埋め込み文法を拡張して、分子グラフ生成に適用する。
提案手法は, 分子最適化タスクの多種多様さにおいて, 最先端性能を実現する。
論文 参考訳(メタデータ) (2020-11-14T05:42:15Z) - 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。