論文の概要: Scaffold Embeddings: Learning the Structure Spanned by Chemical Fragments, Scaffolds and Compounds

• arxiv url: http://arxiv.org/abs/2103.06867v1
• Date: Thu, 11 Mar 2021 18:54:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-13 01:34:31.329396
• Title: Scaffold Embeddings: Learning the Structure Spanned by Chemical Fragments, Scaffolds and Compounds
• Title（参考訳）: スキャフォールド埋め込み:化学フラグメント、スキャフォールドおよび化合物によってスパンナド構造を学ぶ
• Authors: Austin Clyde, Arvind Ramanathan, Rick Stevens
• Abstract要約: 分子が足場クラスをどのように形成するか、どのように足場がハイパーグラフに関連しているか、そして足場の構造が薬品の発見にどのように自然かを示す。 それぞれの距離誘導指標のような分子の様々な埋め込みの仮定と有用性を比較した。
• 参考スコア（独自算出の注目度）: 0.41988513388760185
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Molecules have seemed like a natural fit to deep learning's tendency to handle a complex structure through representation learning, given enough data. However, this often continuous representation is not natural for understanding chemical space as a domain and is particular to samples and their differences. We focus on exploring a natural structure for representing chemical space as a structured domain: embedding drug-like chemical space into an enumerable hypergraph based on scaffold classes linked through an inclusion operator. This paper shows how molecules form classes of scaffolds, how scaffolds relate to each in a hypergraph, and how this structure of scaffolds is natural for drug discovery workflows such as predicting properties and optimizing molecular structures. We compare the assumptions and utility of various embeddings of molecules, such as their respective induced distance metrics, their extendibility to represent chemical space as a structured domain, and the consequences of utilizing the structure for learning tasks.
• Abstract（参考訳）: 分子は、十分なデータを与えられた表現学習を通じて複雑な構造を扱う深層学習の傾向に自然に適合しているように思われた。 しかし、この連続表現は化学空間を領域として理解するには自然なものではなく、サンプルとその差異に特有である。 我々は,化学空間を構造化領域として表現するための自然な構造,つまり包含演算子を通じて連結された足場クラスに基づく可算ハイパーグラフに薬物のような化学空間を埋め込むことに焦点を当てる。 本稿では、分子が足場のクラスを形成する方法、足場がハイパーグラフの各々にどのように関連しているか、足場の構造がどのように性質の予測や分子構造の最適化などの創薬ワークフローに自然であるかを示す。 分子のそれぞれの誘起距離測定値、化学空間を構造領域として表現するための拡張性、および学習タスクの構造を利用した結果など、様々な組込みの仮定と有用性を比較します。

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)
• Pre-trained Molecular Language Models with Random Functional Group Masking [54.900360309677794]
  SMILESをベースとしたアンダーリネム分子アンダーリネム言語アンダーリネムモデルを提案し,特定の分子原子に対応するSMILESサブシーケンスをランダムにマスキングする。 この技術は、モデルに分子構造や特性をよりよく推測させ、予測能力を高めることを目的としている。
  論文  参考訳（メタデータ） (2024-11-03T01:56:15Z)
• From molecules to scaffolds to functional groups: building context-dependent molecular representation via multi-channel learning [10.025809630976065]
  本稿では,より堅牢で一般化可能な化学知識を学習する,新しい事前学習フレームワークを提案する。 提案手法は,種々の分子特性ベンチマークにおける競合性能を示す。
  論文  参考訳（メタデータ） (2023-11-05T23:47:52Z)
• Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
  我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。 我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。 複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
  論文  参考訳（メタデータ） (2023-02-04T01:32:40Z)
• Discovery of structure-property relations for molecules via hypothesis-driven active learning over the chemical space [0.0]
  本稿では,仮説学習に基づく化学空間上の能動的学習のための新しいアプローチを提案する。 我々は,データサブセットの小さな部分集合に基づいて,関心の構造と機能の関係性に関する仮説を構築した。 このアプローチでは、SISSOやアクティブラーニングといったシンボリックレグレッションメソッドの要素をひとつのフレームワークに統合する。
  論文  参考訳（メタデータ） (2023-01-06T14:22:43Z)
• Multi-modal Molecule Structure-text Model for Text-based Retrieval and Editing [107.49804059269212]
  分子の化学構造とテキスト記述を共同で学習し, マルチモーダルな分子構造テキストモデル, MoleculeSTMを提案する。 実験において、分子STMは、新しい生化学的概念を創出するための最先端の一般化能力を得る。
  論文  参考訳（メタデータ） (2022-12-21T06:18:31Z)
• A Molecular Multimodal Foundation Model Associating Molecule Graphs with Natural Language [63.60376252491507]
  本稿では,分子グラフとその意味的関連テキストデータから事前学習した分子マルチモーダル基礎モデルを提案する。 我々のモデルは、生物学、化学、材料、環境、医学などの分野において、AIを動力とする分野に幅広い影響を与えるだろうと考えています。
  論文  参考訳（メタデータ） (2022-09-12T00:56:57Z)
• 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)
• Knowledge-aware Contrastive Molecular Graph Learning [5.08771973600915]
  自己監督型分子表現学習のためのコントラシブナレッジアウェアGNN(CKGNN)を提案する。 私たちは、コントラスト学習フレームワークの下で知識認識分子エンコーダを介してドメイン知識を明示的にエンコードします。 8つの公開データセットの実験は、平均で6%の絶対的な改善と私たちのモデルの有効性を示しています。
  論文  参考訳（メタデータ） (2021-03-24T08:55:08Z)
• Message Passing Networks for Molecules with Tetrahedral Chirality [8.391459650489123]
  四面体キラリティを持つ分子の性質を学習するために、メッセージパッシングニューラルネットワークのための2つのカスタムアグリゲーション関数を開発した。 その結果、ベースラインの総和アグリゲータよりも微妙な改善が見られ、さらなるアーキテクチャ開発の機会が浮かび上がっている。
  論文  参考訳（メタデータ） (2020-11-24T03:03:09Z)
• 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)

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。