論文の概要: MARS: Markov Molecular Sampling for Multi-objective Drug Discovery
- arxiv url: http://arxiv.org/abs/2103.10432v1
- Date: Thu, 18 Mar 2021 10:04:15 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-22 14:23:31.014697
- Title: MARS: Markov Molecular Sampling for Multi-objective Drug Discovery
- Title(参考訳): MARS:多目的創薬のためのマルコフ分子サンプリング
- Authors: Yutong Xie, Chence Shi, Hao Zhou, Yuwei Yang, Weinan Zhang, Yong Yu,
Lei Li
- Abstract要約: 薬物分子の多目的発見法であるMARSを提案する。
分子グラフの断片を反復的に編集することで化学候補を生成するという考え方に基づいている。
実験では、MARSは様々な多対象設定で最先端のパフォーマンスを達成しています。
- 参考スコア(独自算出の注目度): 43.53413526728175
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Searching for novel molecules with desired chemical properties is crucial in
drug discovery. Existing work focuses on developing neural models to generate
either molecular sequences or chemical graphs. However, it remains a big
challenge to find novel and diverse compounds satisfying several properties. In
this paper, we propose MARS, a method for multi-objective drug molecule
discovery. MARS is based on the idea of generating the chemical candidates by
iteratively editing fragments of molecular graphs. To search for high-quality
candidates, it employs Markov chain Monte Carlo sampling (MCMC) on molecules
with an annealing scheme and an adaptive proposal. To further improve sample
efficiency, MARS uses a graph neural network (GNN) to represent and select
candidate edits, where the GNN is trained on-the-fly with samples from MCMC.
Experiments show that MARS achieves state-of-the-art performance in various
multi-objective settings where molecular bio-activity, drug-likeness, and
synthesizability are considered. Remarkably, in the most challenging setting
where all four objectives are simultaneously optimized, our approach
outperforms previous methods significantly in comprehensive evaluations. The
code is available at https://github.com/yutxie/mars.
- Abstract(参考訳): 化学的性質が望ましい新規分子の探索は、薬物発見に不可欠である。
既存の研究は、分子配列または化学グラフを生成する神経モデルの開発に焦点を当てている。
しかし、いくつかの性質を満たす新規で多様な化合物を見つけることは依然として大きな課題である。
本稿では,多目的薬物分子の発見法であるmarsを提案する。
MARSは分子グラフの断片を反復的に編集することで化学候補を生成するという考え方に基づいている。
高品質な候補を探すために、マルコフ連鎖モンテカルロサンプリング(MCMC)をアニールスキームと適応的な提案を持つ分子に採用している。
サンプル効率をさらに向上するため、MARSはグラフニューラルネットワーク(GNN)を使用して候補編集を表現および選択し、GNNはMCMCのサンプルでオンザフライでトレーニングされる。
実験により,MARSは,分子生物学的活性,薬物類似性,合成性を考慮した多目的環境において,最先端の性能を達成することが示された。
驚くべきことに、4つの目標が同時に最適化される最も困難な環境では、このアプローチは、包括的な評価において以前の手法を大きく上回っている。
コードはhttps://github.com/yutxie/marsで入手できる。
関連論文リスト
- Graph-based Molecular In-context Learning Grounded on Morgan Fingerprints [28.262593876388397]
In-context Learning (ICL) では、プロパティ予測や分子キャプションなどの分子タスクのための大規模言語モデル(LLM)を、慎重に選択された実演例を入力プロンプトに埋め込む。
しかし、現在の分子タスクのプロンプト検索法は、モーガン指紋のような分子の特徴的類似性に依存しており、これはグローバル分子と原子結合の関係を適切に捉えていない。
本稿では,グローバル分子構造をグラフニューラルネットワーク(GNN)とテキストキャプション(記述)に整合させ,モーガン指紋による局所的特徴類似性を活用する自己教師付き学習手法GAMICを提案する。
論文 参考訳(メタデータ) (2025-02-08T02:46:33Z) - Test-Time Training Scaling for Chemical Exploration in Drug Design [3.1406146587437904]
類似の生体活性を有する異種分子を発見するための新しいベンチマークを提案する。
我々は、RLエージェントの集団がベンチマークを解くことができ、一方、単一のエージェントは解けないことを示す。
また、協力戦略は独立エージェントよりもそれほど良くないことがわかった。
論文 参考訳(メタデータ) (2025-01-31T14:11:10Z) - Data-Efficient Molecular Generation with Hierarchical Textual Inversion [48.816943690420224]
分子生成のための階層型テキスト変換法 (HI-Mol) を提案する。
HI-Molは分子分布を理解する上での階層的情報、例えば粗い特徴ときめ細かい特徴の重要性にインスパイアされている。
単一レベルトークン埋め込みを用いた画像領域の従来のテキストインバージョン法と比較して, マルチレベルトークン埋め込みにより, 基礎となる低ショット分子分布を効果的に学習することができる。
論文 参考訳(メタデータ) (2024-05-05T08:35:23Z) - 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) - Exploring Chemical Space with Score-based Out-of-distribution Generation [57.15855198512551]
生成微分方程式(SDE)にアウト・オブ・ディストリビューション制御を組み込んだスコアベース拡散方式を提案する。
いくつかの新しい分子は現実世界の薬物の基本的な要件を満たしていないため、MOODは特性予測器からの勾配を利用して条件付き生成を行う。
我々はMOODがトレーニング分布を超えて化学空間を探索できることを実験的に検証し、既存の方法で見いだされた分子、そして元のトレーニングプールの上位0.01%までも生成できることを実証した。
論文 参考訳(メタデータ) (2022-06-06T06:17:11Z) - Learn molecular representations from large-scale unlabeled molecules for
drug discovery [19.222413268610808]
分子プレトレーニンググラフベースのディープラーニングフレームワークmpgは、大規模なラベルなし分子から分子表現を頼りにする。
molgnetは、解釈可能な表現を生み出すために貴重な化学的洞察を捉えることができる。
MPGは、薬物発見パイプラインにおける新しいアプローチになることを約束している。
論文 参考訳(メタデータ) (2020-12-21T08:21:49Z) - 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) - MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [51.00815310242277]
生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。
本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
論文 参考訳(メタデータ) (2020-10-05T20:18:42Z) - ChemoVerse: Manifold traversal of latent spaces for novel molecule
discovery [0.7742297876120561]
所望の化学的性質を持つ分子構造を同定することが不可欠である。
ニューラルネットワークと機械学習を用いた生成モデルの最近の進歩は、薬物のような化合物の仮想ライブラリの設計に広く利用されている。
論文 参考訳(メタデータ) (2020-09-29T12:11:40Z)
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。