論文の概要: Realistic molecule optimization on a learned graph manifold
- arxiv url: http://arxiv.org/abs/2106.13318v1
- Date: Thu, 3 Jun 2021 07:39:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-05 01:16:04.496456
- Title: Realistic molecule optimization on a learned graph manifold
- Title(参考訳): 学習グラフ多様体上の実数分子最適化
- Authors: R\'emy Brossard, Oriel Frigo, David Dehaene
- Abstract要約: 学習されたリアリズムサンプリングは、経験的により現実的な分子を生成し、類似性制約を伴う分子最適化のタスクにおいて、最近のすべてのベースラインを上回ります。
本研究では,自動回帰モデルを用いてデータセットの分布を学習し,スコア最適化をメトロポリスアルゴリズムを用いて行うハイブリッド手法を提案する。
- 参考スコア(独自算出の注目度): 4.640835690336652
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning based molecular graph generation and optimization has recently
been attracting attention due to its great potential for de novo drug design.
On the one hand, recent models are able to efficiently learn a given graph
distribution, and many approaches have proven very effective to produce a
molecule that maximizes a given score. On the other hand, it was shown by
previous studies that generated optimized molecules are often unrealistic, even
with the inclusion of mechanics to enforce similarity to a dataset of real drug
molecules. In this work we use a hybrid approach, where the dataset
distribution is learned using an autoregressive model while the score
optimization is done using the Metropolis algorithm, biased toward the learned
distribution. We show that the resulting method, that we call learned realism
sampling (LRS), produces empirically more realistic molecules and outperforms
all recent baselines in the task of molecule optimization with similarity
constraints.
- Abstract(参考訳): 深層学習に基づく分子グラフの生成と最適化は、最近、デ・ノボの薬物設計に大きな可能性を秘めているため、注目を集めている。
一方、最近のモデルは与えられたグラフ分布を効率的に学習することができ、多くのアプローチは与えられたスコアを最大化する分子を生成するのに非常に効果的であることが証明されている。
一方で、最適化された分子の生成は、実際の薬物分子のデータセットと類似性を強制するメカニズムを含む場合でも、しばしば非現実的なものであることが以前の研究によって示されている。
本研究では,自動回帰モデルを用いてデータセットの分布を学習し,スコア最適化はメトロポリスアルゴリズムを用いて行い,学習した分布に偏りを呈するハイブリッド手法を用いる。
学習リアリズムサンプリング (LRS) と呼ばれるこの手法は, 経験的により現実的な分子を生成し, 類似性制約を伴う分子最適化の課題において, 全ての最近の基礎特性より優れていることを示す。
関連論文リスト
- Feedback Efficient Online Fine-Tuning of Diffusion Models [54.132297393662654]
提案手法は, 実現可能なサンプルの多様体上で効率的に探索できる新しい強化学習手法である。
本稿では,3つの領域にまたがる実証的検証とともに,後悔の保証を提供する理論的解析を提案する。
論文 参考訳(メタデータ) (2024-02-26T07:24:32Z) - 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) - 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) - Molecular Attributes Transfer from Non-Parallel Data [57.010952598634944]
分子最適化をスタイル伝達問題として定式化し、非並列データの2つのグループ間の内部差を自動的に学習できる新しい生成モデルを提案する。
毒性修飾と合成性向上という2つの分子最適化タスクの実験により,本モデルがいくつかの最先端手法を著しく上回ることを示した。
論文 参考訳(メタデータ) (2021-11-30T06:10:22Z) - Differentiable Scaffolding Tree for Molecular Optimization [47.447362691543304]
本稿では,離散的な化学構造を局所的な微分可能木に変換するための知識ネットワークを用いた微分可能な足場木(DST)を提案する。
実験により, 勾配に基づく分子最適化は有効であり, 試料効率が高いことが示された。
論文 参考訳(メタデータ) (2021-09-22T01:16:22Z) - Molecule Optimization via Fragment-based Generative Models [21.888942129750124]
創薬において、分子最適化は、望ましい薬物特性の観点から薬候補をより良いものにするための重要なステップである。
本稿では,計算量最適化分子に対する革新的シリコアプローチを提案し,最適化分子グラフを生成するために問題を定式化する。
我々の生成モデルはフラグメントベースの薬物設計の重要なアイデアに従い、小さなフラグメントを変更することで分子を最適化します。
論文 参考訳(メタデータ) (2020-12-08T05:52:16Z) - Advanced Graph and Sequence Neural Networks for Molecular Property
Prediction and Drug Discovery [53.00288162642151]
計算モデルや分子表現にまたがる包括的な機械学習ツール群であるMoleculeKitを開発した。
これらの表現に基づいて構築されたMoeculeKitには、ディープラーニングと、グラフとシーケンスデータのための従来の機械学習方法の両方が含まれている。
オンラインおよびオフラインの抗生物質発見と分子特性予測のタスクの結果から、MoneculeKitは以前の方法よりも一貫した改善を実現していることがわかる。
論文 参考訳(メタデータ) (2020-12-02T02:09:31Z) - MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [66.84839948236478]
生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。
本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
論文 参考訳(メタデータ) (2020-10-05T20:18:42Z) - MoFlow: An Invertible Flow Model for Generating Molecular Graphs [19.829612234339578]
MoFlowは、分子グラフと潜在表現の間の可逆写像を学習するためのフローベースのグラフ生成モデルである。
提案モデルには, 高精度かつトラクタブルなトレーニング, 効率的なワンパス埋め込みと生成, 化学的妥当性保証, トレーニングデータの100%再構成, 優れた一般化能力などのメリットがある。
論文 参考訳(メタデータ) (2020-06-17T20:14:19Z)
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。