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

• Text-Guided Multi-Property Molecular Optimization with a Diffusion Language Model [77.50732023411811]
  変換器を用いた拡散言語モデル(TransDLM)を用いたテキスト誘導多目的分子最適化手法を提案する。 TransDLMは標準化された化学命名法を分子の意味表現として利用し、プロパティ要求をテキスト記述に暗黙的に埋め込む。 提案手法は, 分子構造類似性を最適化し, ベンチマークデータセットの化学的特性を向上するための最先端手法を超越した手法である。
  論文  参考訳（メタデータ） (2024-10-17T14:30:27Z)
• MING: A Functional Approach to Learning Molecular Generative Models [46.189683355768736]
  本稿では,関数表現に基づく分子生成モデル学習のための新しいパラダイムを提案する。 本稿では,関数空間における分子分布を学習する拡散モデルである分子インプリシットニューラルジェネレーション(MING)を提案する。
  論文  参考訳（メタデータ） (2024-10-16T13:02:02Z)
• Diversity-Aware Reinforcement Learning for de novo Drug Design [2.356290293311623]
  事前訓練された生成モデルの微調整は、有望な薬物分子の生成に優れた性能を示した。 報酬関数の適応的更新機構が生成分子の多様性にどのように影響するかは研究されていない。 我々の実験は、構造と予測に基づく手法を組み合わせることで、一般的に分子多様性の点でより良い結果が得られることを示した。
  論文  参考訳（メタデータ） (2024-10-14T12:25:23Z)
• Data-Efficient Molecular Generation with Hierarchical Textual Inversion [48.816943690420224]
  分子生成のための階層型テキスト変換法 (HI-Mol) を提案する。 HI-Molは分子分布を理解する上での階層的情報、例えば粗い特徴ときめ細かい特徴の重要性にインスパイアされている。 単一レベルトークン埋め込みを用いた画像領域の従来のテキストインバージョン法と比較して, マルチレベルトークン埋め込みにより, 基礎となる低ショット分子分布を効果的に学習することができる。
  論文  参考訳（メタデータ） (2024-05-05T08:35:23Z)
• 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 [51.00815310242277]
  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)

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。