論文の概要: Learning to Extend Molecular Scaffolds with Structural Motifs
- arxiv url: http://arxiv.org/abs/2103.03864v1
- Date: Fri, 5 Mar 2021 18:28:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-08 14:37:36.128360
- Title: Learning to Extend Molecular Scaffolds with Structural Motifs
- Title(参考訳): 構造モチーフを用いた分子スキャッホールドの拡張学習
- Authors: Krzysztof Maziarz, Henry Jackson-Flux, Pashmina Cameron, Finton
Sirockin, Nadine Schneider, Nikolaus Stiefl, Marc Brockschmidt
- Abstract要約: 個々の原子とフラグメントを柔軟に選択することで、所定の部分分子を拡張することを学ぶ新しいグラフベースモデルを提案する。
我々のモデルは、グラフベースの分子生成の最先端を推し進める一方で、既存のアプローチよりも訓練とサンプリングがはるかに高速である。
- 参考スコア(独自算出の注目度): 12.883663832387265
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advancements in deep learning-based modeling of molecules promise to
accelerate in silico drug discovery. There is a plethora of generative models
available, which build molecules either atom-by-atom and bond-by-bond or
fragment-by-fragment. Many drug discovery projects also require a fixed
scaffold to be present in the generated molecule, and incorporating that
constraint has been recently explored. In this work, we propose a new
graph-based model that learns to extend a given partial molecule by flexibly
choosing between adding individual atoms and entire fragments. Extending a
scaffold is implemented by using it as the initial partial graph, which is
possible because our model does not depend on generation history. We show that
training using a randomized generation order is necessary for good performance
when extending scaffolds, and that the results are further improved by
increasing fragment vocabulary size. Our model pushes the state-of-the-art of
graph-based molecule generation, while being an order of magnitude faster to
train and sample from than existing approaches.
- Abstract(参考訳): 分子の深層学習に基づくモデリングの最近の進歩は、シリコ創薬の加速を約束する。
原子/原子/結合、フラグメント/フラグメントのいずれかの分子を構築する生成モデルが多数存在する。
多くの薬物発見プロジェクトは、生成した分子に固定された足場が必要であり、その制約を組み込むことも最近研究されている。
本研究では、個々の原子とフラグメントを柔軟に選択することで、所定の部分分子を拡張することを学ぶ新しいグラフベースモデルを提案する。
足場の拡張は、最初の部分グラフとして使用することで実現されます。これは、私たちのモデルが生成履歴に依存していないためです。
足場を延ばす際には,ランダム化生成順序を用いたトレーニングが良好なパフォーマンスのために必要であり,フラグメント語彙サイズを増やすことでさらに改善されることを示した。
我々のモデルは、グラフベースの分子生成の最先端を推し進める一方で、既存のアプローチよりも訓練とサンプリングがはるかに高速である。
関連論文リスト
- Zero Shot Molecular Generation via Similarity Kernels [0.6597195879147557]
ゼロショット分子生成の新しい手法である類似性に基づく分子生成(SiMGen)を提案する。
SiMGenは時間依存の類似性カーネルと事前訓練された機械学習力場からの記述子を組み合わせて分子を生成する。
また、ユーザがSiMGenで構造をオンラインで生成できるインタラクティブなWebツールもリリースしました。
論文 参考訳(メタデータ) (2024-02-13T17:53:44Z) - MAGNet: Motif-Agnostic Generation of Molecules from Shapes [16.188301768974]
MAGNetは、原子と結合の型を割り当てる前に抽象的な形状を生成するグラフベースのモデルである。
MAGNetの表現性の向上は、よりトポロジカルな構造を持つ分子に繋がることを示した。
論文 参考訳(メタデータ) (2023-05-30T15:29:34Z) - De Novo Molecular Generation via Connection-aware Motif Mining [197.97528902698966]
我々は、マイニングされた接続認識モチーフに基づいて分子を生成する新しい方法、MiCaMを提案する。
得られたモチーフ語彙は、分子モチーフ(頻繁な断片)だけでなく、それらの接続情報も含む。
マイニングされた接続対応モチーフに基づいて、MiCaMは接続対応ジェネレータを構築し、同時にモチーフをピックアップし、どのように接続されているかを決定する。
論文 参考訳(メタデータ) (2023-02-02T14:40:47Z) - MolCPT: Molecule Continuous Prompt Tuning to Generalize Molecular
Representation Learning [77.31492888819935]
分子表現学習のための「プリトレイン,プロンプト,ファインチューン」という新しいパラダイム,分子連続プロンプトチューニング(MolCPT)を提案する。
MolCPTは、事前訓練されたモデルを使用して、スタンドアロンの入力を表現的なプロンプトに投影するモチーフプロンプト関数を定義する。
いくつかのベンチマークデータセットの実験により、MollCPTは分子特性予測のために学習済みのGNNを効率的に一般化することが示された。
論文 参考訳(メタデータ) (2022-12-20T19:32:30Z) - 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) - Learning Neural Generative Dynamics for Molecular Conformation
Generation [89.03173504444415]
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。
論文 参考訳(メタデータ) (2021-02-20T03:17:58Z) - 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) - 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) - A Deep Generative Model for Fragment-Based Molecule Generation [21.258861822241272]
フラグメントと呼ばれる小さな分子サブ構造のための言語モデルを開発した。
言い換えれば、原子のフラグメントではなく、フラグメントによって分子のフラグメントを生成します。
実験により、我々のモデルは、他の言語モデルベースの競合よりも優れていることが示された。
論文 参考訳(メタデータ) (2020-02-28T15:55:11Z) - 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) - Hierarchical Generation of Molecular Graphs using Structural Motifs [38.637412590671865]
本稿では,より大きく柔軟なグラフモチーフを基本構成ブロックとして利用する階層型グラフエンコーダデコーダを提案する。
エンコーダは、原子から連結モチーフまで、各分子の微細から粗い方法で多分解能表現を生成する。
我々は,高分子を含む複数の分子生成タスクにおけるモデルの評価を行い,そのモデルが従来の最先端のベースラインを著しく上回っていることを示す。
論文 参考訳(メタデータ) (2020-02-08T21:21:04Z)
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。