Fugu-MT 論文翻訳(概要): Molecular structure prediction based on graph convolutional networks

論文の概要: Molecular structure prediction based on graph convolutional networks

arxiv url: http://arxiv.org/abs/2107.01035v1
Date: Thu, 1 Jul 2021 08:34:51 GMT
ステータス: 翻訳完了
システム内更新日: 2021-07-05 12:45:59.990908
Title: Molecular structure prediction based on graph convolutional networks
Title（参考訳）: グラフ畳み込みネットワークに基づく分子構造予測
Authors: Xiaohui Lin, Yongquan Jiang, Yan Yang
Abstract要約: グラフ畳み込みニューラルネットワーク(MSGCN)に基づく新しいモデル構造を提案する。 2つの原子間の距離を予測することによって分子構造を決定することができる。
参考スコア（独自算出の注目度）: 3.4618015083384255
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Due to the important application of molecular structure in many fields, calculation by experimental means or traditional density functional theory is often time consuming. In view of this, a new Model Structure based on Graph Convolutional Neural network (MSGCN) is proposed, which can determine the molecular structure by predicting the distance between two atoms. In order to verify the effect of MSGCN model, the model is compared with the method of calculating molecular three-dimensional conformation in RDKit, and the result is better than it. In addition, the distance predicted by the MSGCN model and the distance calculated by the QM9 dataset were used to predict the molecular properties, thus proving the effectiveness of the distance predicted by the MSGCN model.
Abstract（参考訳）: 多くの分野における分子構造の重要な応用のため、実験的な方法や従来の密度汎関数理論による計算は時間を要することが多い。そこで, グラフ畳み込みニューラルネットワーク(MSGCN)に基づく新しいモデル構造を提案し, 2つの原子間の距離を予測して分子構造を決定する。 msgcnモデルの有効性を検証するために、rdkitにおける分子3次元配座の計算法と比較し、結果より優れている。さらに、MSGCNモデルにより予測される距離とQM9データセットによって計算される距離を用いて分子特性を予測し、MSGCNモデルにより予測される距離の有効性を実証した。

関連論文リスト

Knowledge-aware contrastive heterogeneous molecular graph learning [77.94721384862699]
分子グラフを不均一な分子グラフ学習(KCHML)に符号化するパラダイムシフトを提案する。 KCHMLは、不均一な分子グラフと二重メッセージパッシング機構によって強化された3つの異なるグラフビュー-分子、元素、薬理学-を通して分子を概念化する。この設計は、プロパティ予測やドラッグ・ドラッグ・インタラクション(DDI)予測などの下流タスクに対する包括的な表現を提供する。
論文参考訳（メタデータ） (2025-02-17T11:53:58Z)
Predicting Molecular Ground-State Conformation via Conformation Optimization [24.18678055892153]
本稿では,分子基底状態のコンフォーメーションをコンフォーメーション最適化の観点から予測するConfOptという新しいフレームワークを提案する。トレーニング中、ConfOptは予測された原子3D座標と対応する原子間距離を同時に最適化し、強い予測モデルを生み出した。
論文参考訳（メタデータ） (2024-10-13T10:48:22Z)
REBIND: Enhancing ground-state molecular conformation via force-based graph rewiring [38.77055275481021]
低次原子の非結合相互作用を捉えるために、レナード・ジョーンズポテンシャルに基づくエッジを追加することによって分子グラフを再構成する新しいフレームワークREBINDを提案する。実験により、REBINDは様々な分子サイズで最先端の手法を著しく上回っていることが示された。
論文参考訳（メタデータ） (2024-10-04T16:02:33Z)
Neural P$^3$M: A Long-Range Interaction Modeling Enhancer for Geometric GNNs [66.98487644676906]
我々は,幾何学的GNNの汎用エンハンサーであるNeural P$3$Mを導入し,その機能範囲を拡大する。幅広い分子系に柔軟性を示し、エネルギーと力を予測する際、顕著な精度を示す。また、さまざまなアーキテクチャを統合しながら、OE62データセットで平均22%の改善も達成している。
論文参考訳（メタデータ） (2024-09-26T08:16:59Z)
Molecular Graph Representation Learning via Structural Similarity Information [11.38130169319915]
我々は新しい分子グラフ表現学習法である textbf Structure similarity Motif GNN (MSSM-GNN) を紹介する。特に,分子間の類似性を定量的に表現するために,グラフカーネルアルゴリズムを利用した特殊設計グラフを提案する。我々はGNNを用いて分子グラフから特徴表現を学習し、追加の分子表現情報を組み込むことで特性予測の精度を高めることを目的としている。
論文参考訳（メタデータ） (2024-09-13T06:59:10Z)
Pre-training of Molecular GNNs via Conditional Boltzmann Generator [0.0]
分子配座のデータセットを用いた分子GNNの事前学習法を提案する。本モデルは,既存の事前学習法よりも分子特性の予測性能がよいことを示す。
論文参考訳（メタデータ） (2023-12-20T15:30:15Z)
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)
Multi-Task Mixture Density Graph Neural Networks for Predicting Cu-based Single-Atom Alloy Catalysts for CO2 Reduction Reaction [61.9212585617803]
グラフニューラルネットワーク(GNN)は、材料科学者からますます注目を集めている。本研究では,DimeNet++と混合密度ネットワークに基づくマルチタスク(MT)アーキテクチャを構築し,その性能向上を図る。
論文参考訳（メタデータ） (2022-09-15T13:52:15Z)
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)
Learning Neural Generative Dynamics for Molecular Conformation Generation [89.03173504444415]
分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
論文参考訳（メタデータ） (2021-02-20T03:17:58Z)
Equivariant message passing for the prediction of tensorial properties and molecular spectra [1.7188280334580197]
偏光性原子間相互作用ニューラルネットワーク(PaiNN)を提案する。これを分子スペクトルのシミュレーションに適用し,電子構造基準と比較して4-5桁の高速化を実現した。
論文参考訳（メタデータ） (2021-02-05T13:00:12Z)
Multi-View Graph Neural Networks for Molecular Property Prediction [67.54644592806876]
マルチビューグラフニューラルネットワーク(MV-GNN)を提案する。 MV-GNNでは,学習過程を安定させるために,自己注意型読み出しコンポーネントと不一致損失を導入する。我々は、相互依存型メッセージパッシング方式を提案することにより、MV-GNNの表現力をさらに強化する。
論文参考訳（メタデータ） (2020-05-17T04:46:07Z)

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。