論文の概要: GraphPiece: Efficiently Generating High-Quality Molecular Graph with Substructures

• arxiv url: http://arxiv.org/abs/2106.15098v1
• Date: Tue, 29 Jun 2021 05:26:18 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-30 15:18:52.506222
• Title: GraphPiece: Efficiently Generating High-Quality Molecular Graph with Substructures
• Title（参考訳）: GraphPiece: サブ構造を持つ高品質分子グラフを効率よく生成する
• Authors: Xiangzhe Kong, Zhixing Tan, Yang Liu
• Abstract要約: 分子グラフからエムグラフと呼ばれる共通部分構造を自動的に発見する手法を提案する。 グラフの断片に基づいて,変分オートエンコーダを用いて2つの相の分子を生成する。
• 参考スコア（独自算出の注目度）: 7.021635649909492
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Molecular graph generation is a fundamental but challenging task in various applications such as drug discovery and material science, which requires generating valid molecules with desired properties. Auto-regressive models, which usually construct graphs following sequential actions of adding nodes and edges at the atom-level, have made rapid progress in recent years. However, these atom-level models ignore high-frequency subgraphs that not only capture the regularities of atomic combination in molecules but also are often related to desired chemical properties. In this paper, we propose a method to automatically discover such common substructures, which we call {\em graph pieces}, from given molecular graphs. Based on graph pieces, we leverage a variational autoencoder to generate molecules in two phases: piece-level graph generation followed by bond completion. Experiments show that our graph piece variational autoencoder achieves better performance over state-of-the-art baselines on property optimization and constrained property optimization tasks with higher computational efficiency.
• Abstract（参考訳）: 分子グラフ生成は、薬物発見や物質科学といった様々な応用における基本的な課題であるが、望ましい性質を持つ有効な分子を生成する必要がある。 自己回帰モデルは通常、ノードとエッジを原子レベルで追加するシーケンシャルな動作に従ってグラフを構成するが、近年急速に進歩している。 しかし、これらの原子レベルモデルは、分子内の原子結合の規則性を捉えるだけでなく、しばしば所望の化学的性質と関連する高周波サブグラフを無視している。 本稿では、与えられた分子グラフからそのような共通部分構造を自動的に発見する手法を提案する。 グラフのピースに基づいて、変分オートエンコーダを利用して2つのフェーズ(ピースレベルグラフ生成と結合完了)で分子を生成する。 実験により,グラフ片変動オートエンコーダは,計算効率の高い特性最適化と制約付き特性最適化タスクにおいて,最先端のベースラインよりも優れた性能を実現することが示された。

関連論文リスト

• GraphXForm: Graph transformer for computer-aided molecular design with application to extraction [73.1842164721868]
  本稿では,デコーダのみのグラフトランスフォーマアーキテクチャであるGraphXFormについて述べる。 液液抽出のための2つの溶媒設計課題について評価し,4つの最先端分子設計技術より優れていることを示した。
  論文  参考訳（メタデータ） (2024-11-03T19:45:15Z)
• MolGrapher: Graph-based Visual Recognition of Chemical Structures [50.13749978547401]
  化学構造を視覚的に認識するためにMolGrapherを導入する。 すべての候補原子と結合をノードとして扱い、それらをグラフ化する。 グラフニューラルネットワークを用いてグラフ内の原子と結合ノードを分類する。
  論文  参考訳（メタデータ） (2023-08-23T16:16:11Z)
• 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)
• Graph Generation with Diffusion Mixture [57.78958552860948]
  グラフの生成は、非ユークリッド構造の複雑な性質を理解する必要がある実世界のタスクにとって大きな課題である。 本稿では,拡散過程の最終グラフ構造を明示的に学習することにより,グラフのトポロジーをモデル化する生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-07T17:07:46Z)
• 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)
• FunQG: Molecular Representation Learning Via Quotient Graphs [0.0]
  本稿ではFunQGという新しい分子グラフ粗化フレームワークを提案する。 FunQGは、その性質を決定するために分子の影響力のある構成要素として官能基を用いる。 得られた情報グラフは,分子グラフよりもはるかに小さいため,GNNの訓練に適していることを示す。
  論文  参考訳（メタデータ） (2022-07-18T13:36:20Z)
• Molecular Graph Generation via Geometric Scattering [7.796917261490019]
  グラフニューラルネットワーク(GNN)は、薬物の設計と発見の問題を解決するために広く使われている。 分子グラフ生成における表現第一のアプローチを提案する。 我々のアーキテクチャは、医薬品のデータセットの有意義な表現を学習し、目標指向の薬物合成のためのプラットフォームを提供する。
  論文  参考訳（メタデータ） (2021-10-12T18:00:23Z)
• Conditional Constrained Graph Variational Autoencoders for Molecule Design [70.59828655929194]
  本稿では、このキーイデアを最先端のモデルで実装した、条件制約付きグラフ変分オートエンコーダ(CCGVAE)を提案する。 分子生成のために広く採用されている2つのデータセットについて、いくつかの評価指標について改善した結果を示す。
  論文  参考訳（メタデータ） (2020-09-01T21:58:07Z)
• 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)
• Hierarchical Generation of Molecular Graphs using Structural Motifs [38.637412590671865]
  本稿では,より大きく柔軟なグラフモチーフを基本構成ブロックとして利用する階層型グラフエンコーダデコーダを提案する。 エンコーダは、原子から連結モチーフまで、各分子の微細から粗い方法で多分解能表現を生成する。 我々は,高分子を含む複数の分子生成タスクにおけるモデルの評価を行い,そのモデルが従来の最先端のベースラインを著しく上回っていることを示す。
  論文  参考訳（メタデータ） (2020-02-08T21:21:04Z)
• GraphAF: a Flow-based Autoregressive Model for Molecular Graph Generation [45.360695120154]
  グラフ生成のためのフローベース自己回帰モデルGraphAFを提案する。 GraphAFは,(1)データ密度推定のための高いモデル柔軟性,(2)訓練のための効率的な並列計算,(3)化学領域の知識を有効活用する反復サンプリングプロセスといった,自己回帰的アプローチとフローベースアプローチの両方の利点を併せ持つ。
  論文  参考訳（メタデータ） (2020-01-26T01:12:40Z)

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。