論文の概要: Quantum Mechanics and Machine Learning Synergies: Graph Attention Neural
Networks to Predict Chemical Reactivity
- arxiv url: http://arxiv.org/abs/2103.14536v1
- Date: Wed, 24 Mar 2021 19:05:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-30 05:11:49.463633
- Title: Quantum Mechanics and Machine Learning Synergies: Graph Attention Neural
Networks to Predict Chemical Reactivity
- Title（参考訳）: 量子力学と機械学習のシナジー:化学反応性を予測するグラフ注意ニューラルネットワーク
- Authors: Mohammadamin Tavakoli, Aaron Mood, David Van Vranken, Pierre Baldi
- Abstract要約: 有機化学における官能基の反応性のスケーラブルな定量的測定が欠如している。
従来の量子化学研究では、メチルカチオンアフィニティ(MCA*)とメチルアニオンアフィニティ(MAA*)を導入しました。
MCA*およびMAA*は反応パラメータのよい推定を提供し、密度機能理論(DFT)のシミュレーションによる計算は時間がかかります。
- 参考スコア（独自算出の注目度）: 7.799648230758492
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: There is a lack of scalable quantitative measures of reactivity for
functional groups in organic chemistry. Measuring reactivity experimentally is
costly and time-consuming and does not scale to the astronomical size of
chemical space. In previous quantum chemistry studies, we have introduced
Methyl Cation Affinities (MCA*) and Methyl Anion Affinities (MAA*), using a
solvation model, as quantitative measures of reactivity for organic functional
groups over the broadest range. Although MCA* and MAA* offer good estimates of
reactivity parameters, their calculation through Density Functional Theory
(DFT) simulations is time-consuming. To circumvent this problem, we first use
DFT to calculate MCA* and MAA* for more than 2,400 organic molecules thereby
establishing a large dataset of chemical reactivity scores. We then design deep
learning methods to predict the reactivity of molecular structures and train
them using this curated dataset in combination with different representations
of molecular structures. Using ten-fold cross-validation, we show that graph
attention neural networks applied to informative input fingerprints produce the
most accurate estimates of reactivity, achieving over 91% test accuracy for
predicting the MCA* plus-minus 3.0 or MAA* plus-minus 3.0, over 50 orders of
magnitude. Finally, we demonstrate the application of these reactivity scores
to two tasks: (1) chemical reaction prediction; (2) combinatorial generation of
reaction mechanisms. The curated dataset of MCA* and MAA* scores is available
through the ChemDB chemoinformatics web portal at www.cdb.ics.uci.edu.
- Abstract（参考訳）: 有機化学における官能基の反応性のスケーラブルな定量的測定が欠如している。
反応性を実験的に測定することは費用がかかり、時間がかかるため、化学空間の天文学的な大きさにはスケールしない。
従来の量子化学研究では, メチルカチオン親和性 (mca*) とメチルアニオン親和性 (maa*) を溶媒和モデルを用いて導入し, 最も広い範囲の有機官能基に対する反応性の定量的測定を行った。
MCA*とMAA*は反応パラメータの優れた推定値を提供するが、密度汎関数理論(DFT)シミュレーションによる計算には時間がかかる。
この問題を回避するために、我々はまずDFTを用いて2400以上の有機分子のMCA*とMAA*を計算し、化学反応性スコアの大規模なデータセットを確立する。
次に、分子構造の反応性を予測し、このキュレートされたデータセットと異なる分子構造の表現の組み合わせを用いて学習する深層学習法を設計する。
10倍のクロスバリデーションを用いて,情報入力指紋に適用したグラフ注意ニューラルネットワークが,最も正確な反応性推定値を生成し,50桁以上のmca* plus-minus 3.0あるいはmaa* plus-minus 3.0を91%以上の精度で予測できることを示した。
最後に,これらの反応性スコアを,(1)化学反応予測,(2)反応機構の組合せ生成という2つのタスクに適用することを示す。
mca* と maa* のデータセットは chemdb chemoinformatics web portal at www.cdb.ics.uci.edu で入手できる。
関連論文リスト
- QH9: A Quantum Hamiltonian Prediction Benchmark for QM9 Molecules [69.25826391912368]
QH9と呼ばれる新しい量子ハミルトンデータセットを生成し、999または2998の分子動力学軌道に対して正確なハミルトン行列を提供する。
現在の機械学習モデルでは、任意の分子に対するハミルトン行列を予測する能力がある。
論文 参考訳（メタデータ） (2023-06-15T23:39:07Z) - Efficient Chemical Space Exploration Using Active Learning Based on
Marginalized Graph Kernel: an Application for Predicting the Thermodynamic
Properties of Alkanes with Molecular Simulation [10.339394156446982]
分子動力学シミュレーションを用いてデータとグラフニューラルネットワーク(GNN)を生成して予測する。
具体的には、4から19個の炭素原子からなる251,728個のアルカン分子とその液体物性を標的としている。
検証の結果、313個の分子だけが正確なGNNモデルを訓練するのに十分であり、計算テストセットは$rm R2 > 0.99$、実験テストセットは$rm R2 > 0.94$であった。
論文 参考訳（メタデータ） (2022-09-01T14:59:13Z) - Accurate Machine Learned Quantum-Mechanical Force Fields for
Biomolecular Simulations [51.68332623405432]
分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。
近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。
本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
論文 参考訳（メタデータ） (2022-05-17T13:08:28Z) - Improving Molecular Representation Learning with Metric
Learning-enhanced Optimal Transport [49.237577649802034]
分子レグレッション問題に対する一般化能力を高めるために,MROTと呼ばれる新しい最適輸送ベースアルゴリズムを開発した。
MROTは最先端のモデルよりも優れており、新しい物質の発見を加速する有望な可能性を示している。
論文 参考訳（メタデータ） (2022-02-13T04:56:18Z) - Chemical-Reaction-Aware Molecule Representation Learning [88.79052749877334]
本稿では,化学反応を用いて分子表現の学習を支援することを提案する。
本手法は,1) 埋め込み空間を適切に整理し, 2) 分子埋め込みの一般化能力を向上させるために有効であることが証明された。
実験結果から,本手法は様々なダウンストリームタスクにおける最先端性能を実現することが示された。
論文 参考訳（メタデータ） (2021-09-21T00:08:43Z) - A Universal Framework for Featurization of Atomistic Systems [0.0]
物理や機械学習に基づく反応力場は、時間と長さのスケールのギャップを埋めるために使うことができる。
本稿では,原子周囲の電子密度の物理的に関連する多極展開を利用するガウス多極(GMP)デデュール化スキームを紹介する。
我々は,GMPに基づくモデルがQM9データセットの化学的精度を達成できることを示し,新しい要素を外挿してもその精度は妥当であることを示した。
論文 参考訳（メタデータ） (2021-02-04T03:11:00Z) - Unassisted Noise Reduction of Chemical Reaction Data Sets [59.127921057012564]
本稿では,データセットから化学的に間違ったエントリを除去するための,機械学習に基づく無支援アプローチを提案する。
その結果,クリーン化およびバランスの取れたデータセットでトレーニングしたモデルの予測精度が向上した。
論文 参考訳（メタデータ） (2021-02-02T09:34:34Z) - End-to-End Differentiable Molecular Mechanics Force Field Construction [0.5269923665485903]
化学環境を知覚するためにグラフニューラルネットワークを用いる別のアプローチを提案する。
プロセス全体がモジュール化されており、モデルパラメータに関してエンドツーエンドの差別化が可能である。
本手法は, 従来の原子型を再現するだけでなく, 既存の分子力学力場を正確に再現し, 拡張することができることを示す。
論文 参考訳（メタデータ） (2020-10-02T20:59:46Z) - ASGN: An Active Semi-supervised Graph Neural Network for Molecular
Property Prediction [61.33144688400446]
本稿では,ラベル付き分子とラベルなし分子の両方を組み込んだ,アクティブ半教師付きグラフニューラルネットワーク(ASGN)を提案する。
教師モデルでは,分子構造や分子分布から情報を共同で活用する汎用表現を学習するための,新しい半教師付き学習手法を提案する。
最後に,分子多様性の観点から,フレームワーク学習全体を通して情報的データを選択するための新しい能動的学習戦略を提案する。
論文 参考訳（メタデータ） (2020-07-07T04:22:39Z)
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。