論文の概要: HamNet: Conformation-Guided Molecular Representation with Hamiltonian Neural Networks

• arxiv url: http://arxiv.org/abs/2105.03688v1
• Date: Sat, 8 May 2021 12:48:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-12 12:51:24.239003
• Title: HamNet: Conformation-Guided Molecular Representation with Hamiltonian Neural Networks
• Title（参考訳）: HamNet: ハミルトンニューラルネットワークを用いた変換誘導分子表現
• Authors: Ziyao Li, Shuwen Yang, Guojie Song and Lingsheng Cai
• Abstract要約: ハミルトンネットワーク(HamNet)を用いた分子の3次元配座を保存する新しい分子表現アルゴリズムを提案する。 ハムネットでは、分子中の原子の位置と運動量がハミルトン方程式に従ってハミルトニアンエンジンで相互作用する。 実験により、ハミルトニアンエンジンは分子構造を十分に保存でき、HamNetが生成した指紋はMoleculeNet上で最先端のパフォーマンスを達成することが示された。
• 参考スコア（独自算出の注目度）: 22.039877835819958
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Well-designed molecular representations (fingerprints) are vital to combine medical chemistry and deep learning. Whereas incorporating 3D geometry of molecules (i.e. conformations) in their representations seems beneficial, current 3D algorithms are still in infancy. In this paper, we propose a novel molecular representation algorithm which preserves 3D conformations of molecules with a Molecular Hamiltonian Network (HamNet). In HamNet, implicit positions and momentums of atoms in a molecule interact in the Hamiltonian Engine following the discretized Hamiltonian equations. These implicit coordinations are supervised with real conformations with translation- & rotation-invariant losses, and further used as inputs to the Fingerprint Generator, a message-passing neural network. Experiments show that the Hamiltonian Engine can well preserve molecular conformations, and that the fingerprints generated by HamNet achieve state-of-the-art performances on MoleculeNet, a standard molecular machine learning benchmark.
• Abstract（参考訳）: 良く設計された分子表現(フィンガープリント)は、医学化学と深層学習を組み合わせるために不可欠である。 一方、分子の3次元幾何学(すなわち)を取り入れている。 コンフォメーション)の表現は有益で、現在の3Dアルゴリズムはまだ初期段階です。 本稿では,分子の3次元配座を分子ハミルトニアンネットワーク(HamNet)で保持する新しい分子表現アルゴリズムを提案する。 ハムネットでは、分子中の原子の位置と運動量がハミルトン方程式に従ってハミルトニアンエンジンで相互作用する。 これらの暗黙的なコーディネーションは、翻訳および回転不変損失と実際のコンフォメーションで監督され、さらにメッセージパッシングニューラルネットワークである指紋生成器への入力として使用される。 実験により、ハミルトニアンエンジンは分子構造を十分に保存でき、HamNetが生成した指紋は標準的な分子機械学習ベンチマークであるMoleculeNetの最先端のパフォーマンスを達成することが示された。

関連論文リスト

• Structure-Aware E(3)-Invariant Molecular Conformer Aggregation Networks [43.80038907470173]
  分子の2D表現は、その原子、その特性、および分子の共有結合からなる。 分子の3D表現はコンバータと呼ばれ、その原子型とカルテシアン座標からなる。
  論文  参考訳（メタデータ） (2024-02-03T00:58:41Z)
• Automated 3D Pre-Training for Molecular Property Prediction [54.15788181794094]
  新たな3D事前学習フレームワーク(3D PGT)を提案する。 3D分子グラフのモデルを事前訓練し、3D構造のない分子グラフに微調整する。 提案した3次元PGTの精度, 効率, 一般化能力を示すために, 2次元分子グラフの大規模実験を行った。
  論文  参考訳（メタデータ） (2023-06-13T14:43:13Z)
• MUDiff: Unified Diffusion for Complete Molecule Generation [104.7021929437504]
  本稿では,原子の特徴,2次元離散分子構造,および3次元連続分子座標を含む分子の包括的表現を生成する新しいモデルを提案する。 拡散過程を認知するための新しいグラフトランスフォーマーアーキテクチャを提案する。 我々のモデルは、安定で多様な分子を設計するための有望なアプローチであり、分子モデリングの幅広いタスクに適用できる。
  論文  参考訳（メタデータ） (2023-04-28T04:25:57Z)
• An Equivariant Generative Framework for Molecular Graph-Structure Co-Design [54.92529253182004]
  分子グラフ構造アンダーラインCo設計のための機械学習ベースの生成フレームワークであるMollCodeを提案する。 MolCodeでは、3D幾何情報によって分子2Dグラフの生成が促進され、それによって分子3D構造の予測が導かれる。 分子設計における2次元トポロジーと3次元幾何は本質的に相補的な情報を含んでいることが明らかとなった。
  論文  参考訳（メタデータ） (2023-04-12T13:34:22Z)
• Learning Harmonic Molecular Representations on Riemannian Manifold [18.49126496517951]
  分子表現学習は、AIによる薬物発見研究において重要な役割を担っている。 本研究では,その分子表面のラプラス・ベルトラミ固有関数を用いた分子を表現する高調波分子表現学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-27T18:02:47Z)
• A 3D-Shape Similarity-based Contrastive Approach to Molecular Representation Learning [0.7340017786387767]
  グラフニューラルネットワークのための新しいコントラスト学習手法, 形状類似性からの分子コントラスト学習(MolCLaSS)を提案する。 MolCLaSSは3次元のポーズを直接符号化したり、ターゲットにするのではなく、ガウスオーバーレイに基づいて類似した目的と一致し、分子形状の有意義な表現を学ぶ。
  論文  参考訳（メタデータ） (2022-11-03T20:10:46Z)
• ViSNet: an equivariant geometry-enhanced graph neural network with vector-scalar interactive message passing for molecules [69.05950120497221]
  本稿では、幾何学的特徴をエレガントに抽出し、分子構造を効率的にモデル化する同変幾何拡張グラフニューラルネットワークViSNetを提案する。 提案するViSNetは,MD17,MD17,MD22を含む複数のMDベンチマークにおける最先端の手法よりも優れ,QM9およびMolecule3Dデータセット上での優れた化学的特性予測を実現する。
  論文  参考訳（メタデータ） (2022-10-29T07:12:46Z)
• 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)
• MolNet: A Chemically Intuitive Graph Neural Network for Prediction of Molecular Properties [1.231476564107544]
  グラフニューラルネットワーク(GNN)は、化学領域における強力なディープラーニングツールである。 MolNetモデルは化学的に直感的であり、分子内の3D非結合情報を調節する。 MolNetは、BACEデータセットの分類タスクとESOLデータセットの回帰タスクで最先端のパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2022-02-01T20:47:28Z)
• GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
  分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。 既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。 エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
  論文  参考訳（メタデータ） (2021-06-08T14:17:59Z)
• Heterogeneous Molecular Graph Neural Networks for Predicting Molecule Properties [12.897488702184306]
  分子の新規なグラフ表現であるヘテロジニアス分子グラフ(HMG)を導入する。 HMGNNは、グローバル分子表現とアテンション機構を予測プロセスに組み込んでいる。 我々のモデルは、QM9データセット上の12タスクのうち9タスクで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-09-26T23:29:41Z)

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。