論文の概要: GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles

• arxiv url: http://arxiv.org/abs/2106.07802v1
• Date: Tue, 8 Jun 2021 14:17:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-20 16:11:32.844771
• Title: GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles
• Title（参考訳）: GeoMol: 分子3次元コンバータアンサンブルのねじり幾何学的生成
• Authors: Octavian-Eugen Ganea, Lagnajit Pattanaik, Connor W. Coley, Regina Barzilay, Klavs F. Jensen, William H. Green, Tommi S. Jaakkola
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 60.12186997181117
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Prediction of a molecule's 3D conformer ensemble from the molecular graph holds a key role in areas of cheminformatics and drug discovery. Existing generative models have several drawbacks including lack of modeling important molecular geometry elements (e.g. torsion angles), separate optimization stages prone to error accumulation, and the need for structure fine-tuning based on approximate classical force-fields or computationally expensive methods such as metadynamics with approximate quantum mechanics calculations at each geometry. We propose GeoMol--an end-to-end, non-autoregressive and SE(3)-invariant machine learning approach to generate distributions of low-energy molecular 3D conformers. Leveraging the power of message passing neural networks (MPNNs) to capture local and global graph information, we predict local atomic 3D structures and torsion angles, avoiding unnecessary over-parameterization of the geometric degrees of freedom (e.g. one angle per non-terminal bond). Such local predictions suffice both for the training loss computation, as well as for the full deterministic conformer assembly (at test time). We devise a non-adversarial optimal transport based loss function to promote diverse conformer generation. GeoMol predominantly outperforms popular open-source, commercial, or state-of-the-art machine learning (ML) models, while achieving significant speed-ups. We expect such differentiable 3D structure generators to significantly impact molecular modeling and related applications.
• Abstract（参考訳）: 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果たす。 既存の生成モデルには、重要な分子幾何要素のモデリングの欠如など、いくつかの欠点がある。 ねじれ角度)、分離された最適化段階は誤差の蓄積、および近似古典力場に基づく構造微調整の必要性、あるいは各幾何学における近似量子力学計算を伴うメタ力学のような計算コストの高い方法が必要である。 本稿では,低エネルギー分子3次元コンフォーメータの分布を生成するために,エンドツーエンド,非自己回帰的,se(3)不変な機械学習手法を提案する。 局所的およびグローバルなグラフ情報を取得するために、メッセージパッシングニューラルネットワーク(MPNN)のパワーを活用して、局所的な原子3次元構造とねじれ角を予測し、幾何学的自由度(例えば、不必要に過度なパラメータ化を避ける。 非終端結合1角度)。 このような局所的な予測は、トレーニング損失計算と完全な決定論的コンフォーマアセンブリ(テスト時間)の両方で十分である。 多様なコンバータ生成を促進するために,非対角輸送に基づく損失関数を考案する。 GeoMolは主に、人気の高いオープンソース、商用、あるいは最先端の機械学習(ML)モデルを上回っ、大幅なスピードアップを実現している。 このような微分可能な3次元構造発生器が分子モデリングや関連応用に大きな影響を与えることを期待している。

関連論文リスト

• 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)
• 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)
• 3D Molecular Geometry Analysis with 2D Graphs [79.47097907673877]
  分子の基底状態3次元ジオメトリは多くの分子解析タスクに必須である。 現代の量子力学的手法は正確な3次元幾何学を計算できるが、計算は禁じられている。 分子グラフから3次元幾何学を予測するための新しいディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-01T19:00:46Z)
• 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)
• Equivalent Distance Geometry Error for Molecular Conformation Comparison [26.331322944298208]
  コンフォメーション間の差分差を計算するために,等価距離幾何学誤差(EDGE)を提案する。 本手法の改良版では, 3ホップ内における原子対距離の線形変換を最小化する。
  論文  参考訳（メタデータ） (2021-11-13T09:04:55Z)
• 3D Infomax improves GNNs for Molecular Property Prediction [1.9703625025720701]
  本稿では,2次元分子グラフのみに与えられる分子の幾何学をモデル化するための事前学習モデルを提案する。 我々は,3次元事前学習が幅広い特性に対して大きな改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2021-10-08T13:30:49Z)
• 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)
• 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。