論文の概要: Learning Gradient Fields for Molecular Conformation Generation

• arxiv url: http://arxiv.org/abs/2105.03902v1
• Date: Sun, 9 May 2021 10:30:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-11 14:26:40.327762
• Title: Learning Gradient Fields for Molecular Conformation Generation
• Title（参考訳）: 分子コンフォメーション生成のための学習勾配場
• Authors: Chence Shi, Shitong Luo, Minkai Xu, Jian Tang
• Abstract要約: 分子コンフォーメーション生成という計算化学の根本的な問題について研究する。 既存の機械学習アプローチは通常、原子間の距離を予測してから、距離を満たす3D構造を生成します。 本稿では,原子座標のログ密度の勾配場を直接推定し,ConfGFという新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 20.378300112998637
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study a fundamental problem in computational chemistry known as molecular conformation generation, trying to predict stable 3D structures from 2D molecular graphs. Existing machine learning approaches usually first predict distances between atoms and then generate a 3D structure satisfying the distances, where noise in predicted distances may induce extra errors during 3D coordinate generation. Inspired by the traditional force field methods for molecular dynamics simulation, in this paper, we propose a novel approach called ConfGF by directly estimating the gradient fields of the log density of atomic coordinates. The estimated gradient fields allow directly generating stable conformations via Langevin dynamics. However, the problem is very challenging as the gradient fields are roto-translation equivariant. We notice that estimating the gradient fields of atomic coordinates can be translated to estimating the gradient fields of interatomic distances, and hence develop a novel algorithm based on recent score-based generative models to effectively estimate these gradients. Experimental results across multiple tasks show that ConfGF outperforms previous state-of-the-art baselines by a significant margin.
• Abstract（参考訳）: 2次元分子グラフから安定な3次元構造を予測し,分子配座生成と呼ばれる計算化学の基本的な問題について検討する。 既存の機械学習アプローチは通常、まず原子間の距離を予測し、それから距離を満たす3D構造を生成する。 本稿では,分子動力学シミュレーションの従来の力場法にヒントを得て,原子座標のログ密度の勾配場を直接推定してConfGFと呼ばれる新しい手法を提案する。 推定勾配場はランジュバンダイナミクスを介して直接安定な配座を生成することができる。 しかし、勾配場はロート変換同変であるため、この問題は非常に難しい。 我々は,原子座標の勾配場を推定することで原子間距離の勾配場を推定できることに気付き,これらの勾配を効果的に推定するための最近のスコアベース生成モデルに基づく新しいアルゴリズムを開発した。 複数のタスクにまたがる実験結果から、ConfGFは従来の最先端のベースラインよりも大幅に優れていた。

関連論文リスト

• Geometric Trajectory Diffusion Models [58.853975433383326]
  生成モデルは3次元幾何学システムの生成において大きな可能性を示してきた。 既存のアプローチは静的構造のみで動作し、物理系は常に自然界において動的であるという事実を無視する。 本研究では3次元軌跡の時間分布をモデル化する最初の拡散モデルである幾何軌道拡散モデル(GeoTDM)を提案する。
  論文  参考訳（メタデータ） (2024-10-16T20:36:41Z)
• Diffusion-Driven Generative Framework for Molecular Conformation Prediction [0.66567375919026]
  機械学習の急速な進歩は、この文脈における予測モデリングの精度に革命をもたらした。 本研究は,最先端な生成手法を提案する。 メソッドは原子を独立した実体とみなし、拡散の逆転を導くのに優れている。
  論文  参考訳（メタデータ） (2023-12-22T11:49:39Z)
• Pre-training of Molecular GNNs via Conditional Boltzmann Generator [0.0]
  分子配座のデータセットを用いた分子GNNの事前学習法を提案する。 本モデルは,既存の事前学習法よりも分子特性の予測性能がよいことを示す。
  論文  参考訳（メタデータ） (2023-12-20T15:30:15Z)
• Geometric Latent Diffusion Models for 3D Molecule Generation [172.15028281732737]
  生成モデル、特に拡散モデル(DM)は、特徴豊富な測地を生成する上で有望な結果を得た。 我々はGeoLDM(Geometric Latent Diffusion Models)と呼ばれる新しい3次元分子生成法を提案する。
  論文  参考訳（メタデータ） (2023-05-02T01:07:22Z)
• Geometry-Complete Diffusion for 3D Molecule Generation and Optimization [3.8366697175402225]
  3次元分子生成のための幾何-完全拡散モデル(GCDM)を導入する。 GCDMは、既存の3次元分子拡散モデルよりも条件および非条件設定間で大きなマージンで優れている。 また、GCDMの幾何学的特徴は、既存の3次元分子の幾何学的および化学組成を一貫して最適化するために再利用可能であることも示している。
  論文  参考訳（メタデータ） (2023-02-08T20:01:51Z)
• A Score-based Geometric Model for Molecular Dynamics Simulations [33.158796937777886]
  分子配座のログ密度の勾配を推定する新しいモデルScoreMDを提案する。 複数のアーキテクチャの改善により、MD17とC7O2H10の異性体において最先端のベースラインよりも優れています。 この研究は、新しい物質の加速と薬物発見に関する新たな洞察を提供する。
  論文  参考訳（メタデータ） (2022-04-19T05:13:46Z)
• GeoDiff: a Geometric Diffusion Model for Molecular Conformation Generation [102.85440102147267]
  分子配座予測のための新しい生成モデルGeoDiffを提案する。 GeoDiffは、既存の最先端のアプローチよりも優れているか、あるいは同等であることを示す。
  論文  参考訳（メタデータ） (2022-03-06T09:47:01Z)
• Molecule3D: A Benchmark for Predicting 3D Geometries from Molecular Graphs [79.06686274377009]
  我々は、約400万分子の正確な基底状態のジオメトリーを持つデータセットを含むMolecule3Dと呼ばれるベンチマークを開発する。 我々は3次元空間における原子と原子の対距離を予測する2つのベースライン法を実装した。 本手法は予測精度に匹敵する精度を達成できるが,計算コストははるかに小さい。
  論文  参考訳（メタデータ） (2021-09-30T22:09:28Z)
• 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)
• An End-to-End Framework for Molecular Conformation Generation via Bilevel Programming [71.82571553927619]
  分子コンフォメーション予測のためのエンドツーエンドソリューションであるconfvaeを提案する。 具体的には、まず分子グラフを潜時空間に符号化し、3次元構造は原理化された二段階最適化プログラムを解くことによって生成される。
  論文  参考訳（メタデータ） (2021-05-15T15:22:29Z)

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。