論文の概要: Flexible dual-branched message passing neural network for quantum mechanical property prediction with molecular conformation

• arxiv url: http://arxiv.org/abs/2106.07273v1
• Date: Mon, 14 Jun 2021 10:00:39 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-16 02:20:31.802397
• Title: Flexible dual-branched message passing neural network for quantum mechanical property prediction with molecular conformation
• Title（参考訳）: 分子配座を用いた量子力学的特性予測のためのフレキシブルデュアルブランチメッセージパッシングニューラルネットワーク
• Authors: Jeonghee Jo, Bumju Kwak, Byunghan Lee, Sungroh Yoon
• Abstract要約: メッセージパッシングフレームワークに基づく分子特性予測のための二重分岐ニューラルネットワークを提案する。 本モデルでは,様々なスケールで異種分子の特徴を学習し,予測対象に応じて柔軟に学習する。
• 参考スコア（独自算出の注目度）: 16.08677447593939
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A molecule is a complex of heterogeneous components, and the spatial arrangements of these components determine the whole molecular properties and characteristics. With the advent of deep learning in computational chemistry, several studies have focused on how to predict molecular properties based on molecular configurations. Message passing neural network provides an effective framework for capturing molecular geometric features with the perspective of a molecule as a graph. However, most of these studies assumed that all heterogeneous molecular features, such as atomic charge, bond length, or other geometric features always contribute equivalently to the target prediction, regardless of the task type. In this study, we propose a dual-branched neural network for molecular property prediction based on message-passing framework. Our model learns heterogeneous molecular features with different scales, which are trained flexibly according to each prediction target. In addition, we introduce a discrete branch to learn single atom features without local aggregation, apart from message-passing steps. We verify that this novel structure can improve the model performance with faster convergence in most targets. The proposed model outperforms other recent models with sparser representations. Our experimental results indicate that in the chemical property prediction tasks, the diverse chemical nature of targets should be carefully considered for both model performance and generalizability.
• Abstract（参考訳）: 分子は不均一成分の複合体であり、これらの成分の空間配置は分子の性質と特性全体を決定する。 計算化学における深層学習の出現とともに、分子構造に基づく分子特性の予測方法に焦点が当てられている。 メッセージパッシングニューラルネットワークは、分子をグラフとして見ることで分子幾何学的特徴を捉える効果的なフレームワークを提供する。 しかしながら、これらの研究の多くは、原子電荷、結合長、その他の幾何学的特徴のような全ての不均一な分子的特徴は、タスクタイプに関係なく、常にターゲットの予測に等しいものであると仮定した。 本研究では,メッセージパッシングフレームワークに基づく分子特性予測のための2分岐ニューラルネットワークを提案する。 モデルでは,各予測対象に応じて柔軟に訓練された異なるスケールの分子特徴を学習する。 さらに、メッセージパッシングのステップとは別に、単一のatom機能をローカルアグリゲーションなしで学習するための離散ブランチを導入する。 この新しい構造は、ほとんどのターゲットにおいてより高速な収束でモデル性能を向上させることができることを示す。 提案モデルは他のモデルよりもスペーサー表現の方が優れている。 実験の結果, 化学特性予測タスクでは, モデル性能と一般化性の両方について, ターゲットの化学特性を慎重に検討すべきであることが示唆された。

関連論文リスト

• FragNet: A Graph Neural Network for Molecular Property Prediction with Four Layers of Interpretability [0.7499722271664147]
  本稿では,現在の最先端モデルに匹敵する予測精度を達成可能なグラフニューラルネットワークであるFragNetアーキテクチャを紹介する。 このモデルにより、どの原子、共有結合、分子断片、分子フラグメント結合が与えられた分子特性の予測に重要なのかを理解することができる。 FragNetの解釈能力は、分子構造と分子特性の間の学習パターンから科学的洞察を得るための鍵となる。
  論文  参考訳（メタデータ） (2024-10-16T01:37:01Z)
• Multi-Modal Representation Learning for Molecular Property Prediction: Sequence, Graph, Geometry [6.049566024728809]
  深層学習に基づく分子特性予測は、従来の手法の資源集約性に対する解決策として登場した。 本稿では,分子特性予測のための新しいマルチモーダル表現学習モデルSGGRLを提案する。 モダリティ間の整合性を確保するため、SGGRLは異なる分子の類似性を最小化しながら同じ分子の表現の類似性を最大化するように訓練される。
  論文  参考訳（メタデータ） (2024-01-07T02:18:00Z)
• MultiModal-Learning for Predicting Molecular Properties: A Framework Based on Image and Graph Structures [2.5563339057415218]
  MolIGは、画像とグラフ構造に基づいて分子特性を予測するための、新しいMultiModaL分子事前学習フレームワークである。 両者の分子表現の強さを融合させる。 ベンチマークグループ内の分子特性予測に関連する下流タスクでは、パフォーマンスが向上する。
  論文  参考訳（メタデータ） (2023-11-28T10:28:35Z)
• 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)
• Learning Topology-Specific Experts for Molecular Property Prediction [30.014888494169465]
  グラフニューラルネットワーク(GNN)は分子特性の予測に成功している。 本稿では、トポロジ固有の予測モデル(専門家として参照)を活用することを提案する。 分子をトポロジカルなパターンでグルーピングする上で重要な課題に対処するために,クラスタリングに基づくゲーティングモジュールを導入する。 実験により、提案手法により分子特性予測の性能が向上し、ベースラインよりも目立たない足場を持つ新しい分子のより優れた一般化が達成された。
  論文  参考訳（メタデータ） (2023-02-27T11:53:03Z)
• Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
  我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。 我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。 複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
  論文  参考訳（メタデータ） (2023-02-04T01:32:40Z)
• 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)
• 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)
• 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。