論文の概要: Learning Neural Generative Dynamics for Molecular Conformation Generation

• arxiv url: http://arxiv.org/abs/2102.10240v1
• Date: Sat, 20 Feb 2021 03:17:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-23 17:07:16.907017
• Title: Learning Neural Generative Dynamics for Molecular Conformation Generation
• Title（参考訳）: 分子コンフォメーション生成のための学習神経生成ダイナミクス
• Authors: Minkai Xu, Shitong Luo, Yoshua Bengio, Jian Peng, Jian Tang
• Abstract要約: 分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。 分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
• 参考スコア（独自算出の注目度）: 89.03173504444415
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study how to generate molecule conformations (\textit{i.e.}, 3D structures) from a molecular graph. Traditional methods, such as molecular dynamics, sample conformations via computationally expensive simulations. Recently, machine learning methods have shown great potential by training on a large collection of conformation data. Challenges arise from the limited model capacity for capturing complex distributions of conformations and the difficulty in modeling long-range dependencies between atoms. Inspired by the recent progress in deep generative models, in this paper, we propose a novel probabilistic framework to generate valid and diverse conformations given a molecular graph. We propose a method combining the advantages of both flow-based and energy-based models, enjoying: (1) a high model capacity to estimate the multimodal conformation distribution; (2) explicitly capturing the complex long-range dependencies between atoms in the observation space. Extensive experiments demonstrate the superior performance of the proposed method on several benchmarks, including conformation generation and distance modeling tasks, with a significant improvement over existing generative models for molecular conformation sampling.
• Abstract（参考訳）: 分子配座を生成する方法(\textit{i.e。 }、分子グラフからの3D構造)。 分子動力学のような従来の方法、計算的に高価なシミュレーションによるサンプルのコンフォーメーション。 近年,大量のコンフォーメーションデータのトレーニングによって,機械学習の手法は大きな可能性を秘めている。 コンフォーメーションの複雑な分布を捉えるための限られたモデル能力と、原子間の長距離依存性のモデリングが困難であることから、課題が生じます。 本論文では,近年の深層生成モデルの発展に触発されて,分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。 本研究では,フローベースモデルとエネルギーベースモデルの両方の利点を組み合わせた手法を提案する。(1)マルチモーダルコンフォーメーション分布を推定する高いモデル容量,(2)観測空間内の原子間の複雑な長距離依存性を明示的に把握する。 分子コンフォメーションサンプリングのための既存の生成モデルよりも大幅に改善され、コンフォメーション生成や距離モデリングタスクを含むいくつかのベンチマークにおいて提案手法の優れた性能を示す。

関連論文リスト

• A survey of probabilistic generative frameworks for molecular simulations [0.0]
  生成的人工知能は現在、分子科学において広く使われているツールである。 本稿では,フローベースモデルと拡散モデルという2つのカテゴリに大別された生成モデルのクラスを紹介し,説明する。 可変次元, 複雑性, モーダル非対称性を持つデータセットの精度, 計算コスト, 生成速度について検討する。
  論文  参考訳（メタデータ） (2024-11-14T12:05:08Z)
• 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)
• Generative Modeling of Molecular Dynamics Trajectories [12.255021091552441]
  データからMDの柔軟なマルチタスクサロゲートモデルを学ぶためのパラダイムとして,分子軌道の生成モデルを提案する。 このような生成モデルは,前方シミュレーションや遷移経路サンプリング,軌道上アップサンプリングといった多様なタスクに適応可能であることを示す。
  論文  参考訳（メタデータ） (2024-09-26T13:02:28Z)
• Pre-training of Molecular GNNs via Conditional Boltzmann Generator [0.0]
  分子配座のデータセットを用いた分子GNNの事前学習法を提案する。 本モデルは,既存の事前学習法よりも分子特性の予測性能がよいことを示す。
  論文  参考訳（メタデータ） (2023-12-20T15:30:15Z)
• 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)
• Bidirectional Generation of Structure and Properties Through a Single Molecular Foundation Model [44.60174246341653]
  本稿では, 構造と生化学的性質を組み込んだ, 新規なマルチモーダル分子事前学習モデルを提案する。 提案するデータハンドリングおよびトレーニング目的のモデルパイプラインは、共通埋め込み空間における構造/プロパティの特徴を整合させる。 これらのコントリビューションは相乗的知識を生み出し、単一のモデルでマルチモーダルと非モーダルの両方の下流タスクに取り組むことができる。
  論文  参考訳（メタデータ） (2022-11-19T05:16:08Z)
• GeoDiff: a Geometric Diffusion Model for Molecular Conformation Generation [102.85440102147267]
  分子配座予測のための新しい生成モデルGeoDiffを提案する。 GeoDiffは、既存の最先端のアプローチよりも優れているか、あるいは同等であることを示す。
  論文  参考訳（メタデータ） (2022-03-06T09:47:01Z)
• Molecular Attributes Transfer from Non-Parallel Data [57.010952598634944]
  分子最適化をスタイル伝達問題として定式化し、非並列データの2つのグループ間の内部差を自動的に学習できる新しい生成モデルを提案する。 毒性修飾と合成性向上という2つの分子最適化タスクの実験により,本モデルがいくつかの最先端手法を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2021-11-30T06:10:22Z)
• Model-agnostic multi-objective approach for the evolutionary discovery of mathematical models [55.41644538483948]
  現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。 合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
  論文  参考訳（メタデータ） (2021-07-07T11:17:09Z)

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。