論文の概要: Geometric learning of the conformational dynamics of molecules using dynamic graph neural networks

• arxiv url: http://arxiv.org/abs/2106.13277v1
• Date: Thu, 24 Jun 2021 19:01:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-29 02:30:21.128282
• Title: Geometric learning of the conformational dynamics of molecules using dynamic graph neural networks
• Title（参考訳）: 動的グラフニューラルネットワークを用いた分子の配座ダイナミクスの幾何学的学習
• Authors: Michael Hunter Ashby and Jenna A. Bilbrey
• Abstract要約: 分子構造の時間依存性変化を予測するため,重み付き動的グラフに対して時間的エッジ予測モデルを適用した。 次のステップでグラフを予測するために、完全な分子グラフのシーケンスを動的グラフニューラルネットワーク(GNN)に取り込みます。 我々の動的GNNは、分子シミュレーションの「化学的に正確な」0.017 rAの平均絶対誤差で原子間距離を予測する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We apply a temporal edge prediction model for weighted dynamic graphs to predict time-dependent changes in molecular structure. Each molecule is represented as a complete graph in which each atom is a vertex and all vertex pairs are connected by an edge weighted by the Euclidean distance between atom pairs. We ingest a sequence of complete molecular graphs into a dynamic graph neural network (GNN) to predict the graph at the next time step. Our dynamic GNN predicts atom-to-atom distances with a mean absolute error of 0.017 \r{A}, which is considered ``chemically accurate'' for molecular simulations. We also explored the transferability of a trained network to new molecular systems and found that finetuning with less than 10% of the total trajectory provides a mean absolute error of the same order of magnitude as that when training from scratch on the full molecular trajectory.
• Abstract（参考訳）: 重み付き動的グラフに対する時間的エッジ予測モデルを適用し,分子構造の時間依存的変化を予測する。 各分子は、各原子が頂点であり、全ての頂点対が、原子対間のユークリッド距離によって重み付けられたエッジによって連結される完全なグラフとして表される。 次のステップでグラフを予測するために、完全な分子グラフのシーケンスを動的グラフニューラルネットワーク(GNN)に取り込みます。 我々の動的GNNは分子シミュレーションの「化学的に正確」である0.017 \r{A}の平均絶対誤差で原子間距離を予測する。 また,新しい分子系へのトレーニングネットワークの移動可能性についても検討し,全軌道の10%未満での微調整は,全分子軌道上でスクラッチからトレーニングする場合と同等の大きさの絶対誤差をもたらすことを見出した。

関連論文リスト

• Pre-trained Molecular Language Models with Random Functional Group Masking [54.900360309677794]
  SMILESをベースとしたアンダーリネム分子アンダーリネム言語アンダーリネムモデルを提案し,特定の分子原子に対応するSMILESサブシーケンスをランダムにマスキングする。 この技術は、モデルに分子構造や特性をよりよく推測させ、予測能力を高めることを目的としている。
  論文  参考訳（メタデータ） (2024-11-03T01:56:15Z)
• Using GNN property predictors as molecule generators [16.34646723046073]
  グラフニューラルネットワーク(GNN)は、物質や分子特性を正確に予測する強力なツールとして登場した。 本稿では、これらのニューラルネットワークの可逆性を利用して、所望の電子特性を持つ分子構造を直接生成する。
  論文  参考訳（メタデータ） (2024-06-05T13:53:47Z)
• Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [55.42602325017405]
  本稿では,分子の2レベル構造を考慮した新しいGODE法を提案する。 異なるグラフ構造上で2つのグラフニューラルネットワーク(GNN)を事前訓練し、対照的な学習と組み合わせることで、GODEは分子構造を対応する知識グラフサブ構造と融合させる。 11の化学特性タスクを微調整した場合、我々のモデルは既存のベンチマークよりも優れており、分類タスクの平均ROC-AUCアップリフトは13.8%、回帰タスクの平均RMSE/MAEエンハンスメントは35.1%である。
  論文  参考訳（メタデータ） (2023-06-02T15:49:45Z)
• 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)
• Edge Direction-invariant Graph Neural Networks for Molecular Dipole Moments Prediction [0.0]
  分子内の双極子モーメントを表現するための新しい埋め込み法を開発した。 開発モデルは、拡張されたジオメトリを持つ分子に対しても合理的に機能することを示す。 我々は,ab-initio計算に匹敵する精度で予測結果を大幅に改善する。
  論文  参考訳（メタデータ） (2022-06-26T12:52:17Z)
• Incompleteness of graph convolutional neural networks for points clouds in three dimensions [0.0]
  3次元原子雲によって誘導されるグラフの制限された場合においても、dGCNNは完全ではないことを示す。 我々は、任意のカットオフ半径に対して、一階ワイスフェイラー・リーマン検定に基づいて等価であるグラフを生成する異なる点雲のペアを構築する。
  論文  参考訳（メタデータ） (2022-01-18T17:18:26Z)
• GemNet: Universal Directional Graph Neural Networks for Molecules [7.484063729015126]
  有向エッジ埋め込みと2ホップメッセージパッシングを備えたGNNは、予測の普遍的近似器であることを示す。 次にこれらの洞察と複数の構造的改善を活用して、幾何学的メッセージパッシングニューラルネットワーク(GemNet)を提案する。
  論文  参考訳（メタデータ） (2021-06-02T15:44:55Z)
• 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)
• 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)
• Uncovering the Folding Landscape of RNA Secondary Structure with Deep Graph Embeddings [71.20283285671461]
  このようなグラフ埋め込みを学習するための幾何散乱オートエンコーダ(GSAE)ネットワークを提案する。 我々の埋め込みネットワークは、最近提案された幾何散乱変換を用いて、まずリッチグラフ特徴を抽出する。 GSAEは、構造とエネルギーの両方でRNAグラフを整理し、ビスタブルRNA構造を正確に反映していることを示す。
  論文  参考訳（メタデータ） (2020-06-12T00:17:59Z)

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。