論文の概要: Modern Hopfield Networks for Few- and Zero-Shot Reaction Prediction

• arxiv url: http://arxiv.org/abs/2104.03279v1
• Date: Wed, 7 Apr 2021 17:35:00 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-08 13:06:21.980891
• Title: Modern Hopfield Networks for Few- and Zero-Shot Reaction Prediction
• Title（参考訳）: ゼロショット反応予測のための最近のホップフィールドネットワーク
• Authors: Philipp Seidl, Philipp Renz, Natalia Dyubankova, Paulo Neves, Jonas Verhoeven, J\"org K. Wegner, Sepp Hochreiter, G\"unter Klambauer
• Abstract要約: 物理分子を実現するコンピュータ支援合成計画(CASP)はまだ初期段階にあり、大規模な分子発見を可能にする性能レベルが欠けています。 コントラスト学習により最適化された最新のHopfieldネットワーク(MHN)を用いた深層学習アーキテクチャを用いた新しい反応予測手法を提案する。 その結果,mhnのコントラスト学習アプローチは,従来の手法と対照的に,レア,シングル,さらにはトレーニング例のない反応予測に対して,少数およびゼロショットの学習を可能にすることがわかった。
• 参考スコア（独自算出の注目度）: 3.885603826656419
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: An essential step in the discovery of new drugs and materials is the synthesis of a molecule that exists so far only as an idea to test its biological and physical properties. While computer-aided design of virtual molecules has made large progress, computer-assisted synthesis planning (CASP) to realize physical molecules is still in its infancy and lacks a performance level that would enable large-scale molecule discovery. CASP supports the search for multi-step synthesis routes, which is very challenging due to high branching factors in each synthesis step and the hidden rules that govern the reactions. The central and repeatedly applied step in CASP is reaction prediction, for which machine learning methods yield the best performance. We propose a novel reaction prediction approach that uses a deep learning architecture with modern Hopfield networks (MHNs) that is optimized by contrastive learning. An MHN is an associative memory that can store and retrieve chemical reactions in each layer of a deep learning architecture. We show that our MHN contrastive learning approach enables few- and zero-shot learning for reaction prediction which, in contrast to previous methods, can deal with rare, single, or even no training example(s) for a reaction. On a well established benchmark, our MHN approach pushes the state-of-the-art performance up by a large margin as it improves the predictive top-100 accuracy from $0.858\pm0.004$ to $0.959\pm0.004$. This advance might pave the way to large-scale molecule discovery.
• Abstract（参考訳）: 新しい薬物や物質の発見における重要なステップは、その生物学的および物理的性質をテストするアイデアとしてだけ存在する分子の合成である。 仮想分子のコンピュータ支援設計は大きな進歩を遂げているが、物理分子を実現するためのコンピュータ支援合成計画(CASP)はまだ初期段階であり、大規模な分子発見を可能にする性能レベルが欠如している。 CASPは多段階合成経路の探索をサポートしており、各合成工程における高い分岐因子と反応を支配する隠された規則のために非常に困難である。 CASPにおける中心的かつ繰り返し適用されるステップは反応予測であり、機械学習手法が最高のパフォーマンスをもたらす。 コントラスト学習により最適化された最新のホップフィールドネットワーク(MHN)を用いたディープラーニングアーキテクチャを用いた新しい反応予測手法を提案する。 MHNは、深層学習アーキテクチャの各層に化学反応を格納し、取り出すことのできる連想メモリである。 その結果,mhnのコントラスト学習アプローチは,従来の手法と対照的に,レア,シングル,さらにはトレーニング例のない反応予測に対して,少数およびゼロショットの学習を可能にすることがわかった。 確立されたベンチマークでは、MHNアプローチが最先端のパフォーマンスを大きく向上させ、予測トップ100の精度を0.858\pm0.004$から0.959\pm0.004$に向上させる。 この進歩は、大規模な分子発見への道を開くかもしれない。

関連論文リスト

• HD-Bind: Encoding of Molecular Structure with Low Precision, Hyperdimensional Binary Representations [3.3934198248179026]
  超次元計算(HDC)は、低精度二進ベクトル算術を活用できる学習パラダイムである。 本稿では,HDCに基づく推論手法が,より複雑な機械学習手法よりも90倍効率が高いことを示す。
  論文  参考訳（メタデータ） (2023-03-27T21:21:46Z)
• MechRetro is a chemical-mechanism-driven graph learning framework for interpretable retrosynthesis prediction and pathway planning [10.364476820771607]
  MechRetroは、再合成予測と経路計画を解釈可能なグラフ学習フレームワークである。 化学知識を先行情報として統合することにより,新しいグラフトランスアーキテクチャを設計する。 我々はMechRetroが、大規模なベンチマークデータセットに対して大きなマージンで、レトロシンセティック予測のための最先端のアプローチよりも優れていることを実証した。
  論文  参考訳（メタデータ） (2022-10-06T01:27:53Z)
• Predicting the protein-ligand affinity from molecular dynamics trajectories [29.17611409099752]
  我々は3,218個の動的タンパク質-リガンド複合体を含むMDデータセットをキュレートした。 我々はさらにグラフベースのディープラーニングフレームワークであるDynaformerを開発した。 本手法は報告した手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2022-08-19T14:55:12Z)
• 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)
• 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)
• RetroGNN: Approximating Retrosynthesis by Graph Neural Networks for De Novo Drug Design [75.14290780116002]
  我々は、再合成計画ソフトウェアの出力を近似するために、ディープグラフニューラルネットワークを訓練する。 提案手法では, 薬剤的特性は良好であり, 合成が容易であるにもかかわらず, 抗生物質である可能性が示唆された分子について検討した。
  論文  参考訳（メタデータ） (2020-11-25T22:04:16Z)
• RetroXpert: Decompose Retrosynthesis Prediction like a Chemist [60.463900712314754]
  そこで我々は, テンプレートフリーな自動逆合成拡張アルゴリズムを考案した。 我々の方法はレトロシンセシスを2段階に分解する。 最先端のベースラインよりも優れている一方で、我々のモデルは化学的に合理的な解釈も提供する。
  論文  参考訳（メタデータ） (2020-11-04T04:35:34Z)
• Retro*: Learning Retrosynthetic Planning with Neural Guided A* Search [83.22850633478302]
  反合成計画(retrosynthetic planning)は、ターゲット生成物の合成に繋がる一連の反応を特定する。 既存の手法では、高いばらつきを持つロールアウトによる高価なリターン推定が必要か、品質よりも探索速度を最適化する必要がある。 本稿では,高品質な合成経路を効率よく見つけるニューラルネットワークA*ライクなアルゴリズムRetro*を提案する。
  論文  参考訳（メタデータ） (2020-06-29T05:53:33Z)
• Learning To Navigate The Synthetically Accessible Chemical Space Using Reinforcement Learning [75.95376096628135]
  ド・ノボ薬物設計のための強化学習(RL)を利用した新しい前方合成フレームワークを提案する。 このセットアップでは、エージェントは巨大な合成可能な化学空間をナビゲートする。 本研究は,合成可能な化学空間を根本的に拡張する上で,エンド・ツー・エンド・トレーニングが重要なパラダイムであることを示す。
  論文  参考訳（メタデータ） (2020-04-26T21:40:03Z)
• Deep Molecular Programming: A Natural Implementation of Binary-Weight ReLU Neural Networks [7.700240949386079]
  本稿では,シリコで訓練されたBinaryConnectニューラルネットワークを等価な化学反応ネットワークにコンパイルする方法を示す。 私たちの研究は、ニューラルネットワークと分子プログラミングコミュニティ間の豊富な知識伝達のステージを設定します。
  論文  参考訳（メタデータ） (2020-03-30T18:12:11Z)

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。