論文の概要: Accurate Prediction of Free Solvation Energy of Organic Molecules via
Graph Attention Network and Message Passing Neural Network from Pairwise
Atomistic Interactions
- arxiv url: http://arxiv.org/abs/2105.02048v1
- Date: Thu, 15 Apr 2021 22:15:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-07 02:09:53.251817
- Title: Accurate Prediction of Free Solvation Energy of Organic Molecules via
Graph Attention Network and Message Passing Neural Network from Pairwise
Atomistic Interactions
- Title（参考訳）: グラフ注意ネットワークとメッセージパッシングニューラルネットワークによる有機分子の自由解離エネルギーのペアワイド原子間相互作用による正確な予測
- Authors: Ramin Ansari and Amirata Ghorbani
- Abstract要約: 本稿では,グラフニューラルネットワーク(gnn)アーキテクチャに基づく自由解法エネルギー予測問題に対する2つの新しいモデルを提案する。
gnnは分子の予測情報をグラフ構造から直接低次元の特徴として要約することができる。
提案手法は, 解解自由エネルギー予測のタスクにおいて, 既存の機械学習手法に加えて, 量子力学および分子動力学の手法を上回っていることを示す。
- 参考スコア（独自算出の注目度）: 14.87390785780636
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning based methods have been widely applied to predict various kinds
of molecular properties in the pharmaceutical industry with increasingly more
success. Solvation free energy is an important index in the field of organic
synthesis, medicinal chemistry, drug delivery, and biological processes.
However, accurate solvation free energy determination is a time-consuming
experimental process. Furthermore, it could be useful to assess solvation free
energy in the absence of a physical sample. In this study, we propose two novel
models for the problem of free solvation energy predictions, based on the Graph
Neural Network (GNN) architectures: Message Passing Neural Network (MPNN) and
Graph Attention Network (GAT). GNNs are capable of summarizing the predictive
information of a molecule as low-dimensional features directly from its graph
structure without relying on an extensive amount of intra-molecular
descriptors. As a result, these models are capable of making accurate
predictions of the molecular properties without the time consuming process of
running an experiment on each molecule. We show that our proposed models
outperform all quantum mechanical and molecular dynamics methods in addition to
existing alternative machine learning based approaches in the task of solvation
free energy prediction. We believe such promising predictive models will be
applicable to enhancing the efficiency of the screening of drug molecules and
be a useful tool to promote the development of molecular pharmaceutics.
- Abstract（参考訳）: 深層学習に基づく手法は、医薬品産業における様々な分子特性の予測に広く応用され、ますます成功している。
溶解自由エネルギーは、有機合成、医薬化学、薬物の放出、生物学的プロセスの分野で重要な指標である。
しかし、正確な溶解自由エネルギー決定は時間を要する実験プロセスである。
さらに, 物理試料が存在しない場合, 解解自由エネルギーを評価するのに有用である。
本研究では,graph neural network (gnn) アーキテクチャに基づく自由解法エネルギー予測問題に対して,メッセージパッシングニューラルネットワーク (mpnn) とgraph attention network (gat) の2つの新しいモデルを提案する。
GNNは、分子内の大量の記述子に頼ることなく、グラフ構造から直接低次元の特徴として分子の予測情報を要約することができる。
その結果、これらのモデルは各分子で実験を行うのに時間を要することなく、分子特性の正確な予測を行うことができる。
提案手法は, 解解自由エネルギー予測のタスクにおいて, 既存の機械学習手法に加えて, 量子力学および分子動力学の手法を上回っていることを示す。
このような有望な予測モデルは薬剤分子のスクリーニングの効率を高めることに応用され、分子薬理学の発展を促進するのに有用なツールであると信じている。
関連論文リスト
- Contrastive Dual-Interaction Graph Neural Network for Molecular Property Prediction [0.0]
本稿では,分子特性予測のための自己教師付きグラフニューラルネットワークフレームワークであるDIG-Molを紹介する。
DIG-Molは2つの相互接続ネットワークと運動量蒸留ネットワークを統合し、分子特性を効率的に改善する。
我々は,様々な分子特性予測タスクにおける広範囲な実験的評価により,DIG-Molの最先端性能を確立した。
論文 参考訳（メタデータ） (2024-05-04T10:09:27Z) - Towards Predicting Equilibrium Distributions for Molecular Systems with
Deep Learning [60.02391969049972]
本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。
DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
論文 参考訳（メタデータ） (2023-06-08T17:12:08Z) - Atomic and Subgraph-aware Bilateral Aggregation for Molecular
Representation Learning [57.670845619155195]
我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。
ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。
本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
論文 参考訳（メタデータ） (2023-05-22T00:56:00Z) - HiGNN: Hierarchical Informative Graph Neural Networks for Molecular
Property Prediction Equipped with Feature-Wise Attention [5.735627221409312]
分子特性を予測するための階層型情報グラフニューラルネットワークフレームワーク(HiGNN)を提案する。
実験により、HiGNNは、多くの挑戦的な薬物発見関連ベンチマークデータセットに対して最先端の予測性能を達成することが示された。
論文 参考訳（メタデータ） (2022-08-30T05:16:15Z) - Graph neural networks for the prediction of molecular structure-property
relationships [59.11160990637615]
グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。
GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。
本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
論文 参考訳（メタデータ） (2022-07-25T11:30:44Z) - Predicting Aqueous Solubility of Organic Molecules Using Deep Learning
Models with Varied Molecular Representations [3.10678679607547]
本研究の目的は、幅広い有機分子の溶解度を予測できる一般モデルを開発することである。
現在利用可能な最大の溶解度データセットを用いて、分子構造から溶解度を予測するディープラーニングモデルを構築した。
分子ディスクリプタを用いたモデルでは,GNNモデルでも優れた性能が得られた。
論文 参考訳（メタデータ） (2021-05-26T15:54:54Z) - Few-Shot Graph Learning for Molecular Property Prediction [46.60746023179724]
分子特性予測の新しいモデルであるMeta-MGNNを提案する。
ラベルのない分子情報を利用するため、Meta-MGNNはさらに分子構造、属性ベースの自己監視モジュール、および自己注意のタスクウェイトを組み込む。
2つの公開マルチプロパティデータセットに関する広範な実験は、Meta-MGNNがさまざまな最先端のメソッドを上回っていることを示しています。
論文 参考訳（メタデータ） (2021-02-16T01:55:34Z) - Physics-Constrained Predictive Molecular Latent Space Discovery with
Graph Scattering Variational Autoencoder [0.0]
我々は小データ構造における変分推論とグラフ理論に基づく分子生成モデルを開発する。
モデルの性能は、所望の目的特性を持つ分子を生成することによって評価される。
論文 参考訳（メタデータ） (2020-09-29T09:05:27Z) - 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) - Self-Supervised Graph Transformer on Large-Scale Molecular Data [73.3448373618865]
分子表現学習のための新しいフレームワークGROVERを提案する。
GROVERは、分子の豊富な構造的および意味的な情報を、巨大な未標識分子データから学習することができる。
分子表現学習において、最大のGNNであり、最大のトレーニングデータセットである、1000万個の未標識分子に1億のパラメータを持つGROVERを事前訓練します。
論文 参考訳（メタデータ） (2020-06-18T08:37:04Z)
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。