論文の概要: Generating stable molecules using imitation and reinforcement learning

• arxiv url: http://arxiv.org/abs/2107.05007v1
• Date: Sun, 11 Jul 2021 10:18:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-14 03:52:14.020344
• Title: Generating stable molecules using imitation and reinforcement learning
• Title（参考訳）: 模倣と強化学習を用いた安定分子の生成
• Authors: S{\o}ren Ager Meldgaard, Jonas K\"ohler, Henrik Lund Mortensen, Mads-Peter V. Christiansen, Frank No\'e, Bj{\o}rk Hammer
• Abstract要約: カルテシアン座標における分子生成のための強化学習手法を提案する。 我々は、GDB-11データベース上での模倣学習から基本的な化学規則を学び、初期モデルを作成する。 次に、強化学習環境において、特定の統計量で条件付けられたモデルの複数のコピーをデプロイする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Chemical space is routinely explored by machine learning methods to discover interesting molecules, before time-consuming experimental synthesizing is attempted. However, these methods often rely on a graph representation, ignoring 3D information necessary for determining the stability of the molecules. We propose a reinforcement learning approach for generating molecules in cartesian coordinates allowing for quantum chemical prediction of the stability. To improve sample-efficiency we learn basic chemical rules from imitation learning on the GDB-11 database to create an initial model applicable for all stoichiometries. We then deploy multiple copies of the model conditioned on a specific stoichiometry in a reinforcement learning setting. The models correctly identify low energy molecules in the database and produce novel isomers not found in the training set. Finally, we apply the model to larger molecules to show how reinforcement learning further refines the imitation learning model in domains far from the training data.
• Abstract（参考訳）: 化学空間は、興味深い分子を発見するために機械学習手法によって定期的に探索される。 しかし、これらの方法はしばしばグラフ表現に依存し、分子の安定性を決定するのに必要な3d情報を無視している。 本稿では,安定性の量子化学予測を可能にする直交座標分子生成のための強化学習手法を提案する。 サンプル効率を向上させるために,GDB-11データベース上の模倣学習から基本的な化学規則を学習し,すべての確率論に適用可能な初期モデルを作成する。 次に、強化学習環境において、特定の確率論に基づくモデルの複数のコピーをデプロイする。 モデルはデータベース内の低エネルギー分子を正確に同定し、トレーニングセットにない新しい異性体を生成する。 最後に、このモデルをより大きな分子に適用し、強化学習がトレーニングデータから離れた領域における模倣学習モデルをさらに洗練させることを示す。

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)
• Conditional Synthesis of 3D Molecules with Time Correction Sampler [58.0834973489875]
  Time-Aware Conditional Synthesis (TACS) は拡散モデルにおける条件生成の新しい手法である。 適応的に制御されたプラグアンドプレイの"オンライン"ガイダンスを拡散モデルに統合し、サンプルを所望の特性に向けて駆動する。
  論文  参考訳（メタデータ） (2024-11-01T12:59:25Z)
• Molecule Design by Latent Space Energy-Based Modeling and Gradual Distribution Shifting [53.44684898432997]
  化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。 本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。 本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
  論文  参考訳（メタデータ） (2023-06-09T03:04:21Z)
• Modeling Molecular Structures with Intrinsic Diffusion Models [2.487445341407889]
  本論文は本質的拡散モデリングを提案する。 拡散生成モデルと生物学的複合体の柔軟性に関する科学的知識を組み合わせる。 計算化学と生物学に基づく2つの基本的な課題に対して,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-02-23T03:26:48Z)
• Improving Molecular Pretraining with Complementary Featurizations [20.86159731100242]
  分子プレトレーニング(英: molecular pretraining)は、計算化学と薬物発見における様々な課題を解決するためのパラダイムである。 化学情報を異なる方法で伝達できることが示される。 我々は, 簡易で効果的な分子事前学習フレームワーク(MOCO)を提案する。
  論文  参考訳（メタデータ） (2022-09-29T21:11:09Z)
• A Molecular Multimodal Foundation Model Associating Molecule Graphs with Natural Language [63.60376252491507]
  本稿では,分子グラフとその意味的関連テキストデータから事前学習した分子マルチモーダル基礎モデルを提案する。 我々のモデルは、生物学、化学、材料、環境、医学などの分野において、AIを動力とする分野に幅広い影響を与えるだろうと考えています。
  論文  参考訳（メタデータ） (2022-09-12T00:56:57Z)
• 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)
• Learning Latent Space Energy-Based Prior Model for Molecule Generation [59.875533935578375]
  分子モデリングのためのSMILES表現を用いた潜時空間エネルギーに基づく先行モデルについて学習する。 本手法は,最先端モデルと競合する妥当性と特異性を持つ分子を生成することができる。
  論文  参考訳（メタデータ） (2020-10-19T09:34:20Z)
• Learning a Continuous Representation of 3D Molecular Structures with Deep Generative Models [0.0]
  生成モデルは、連続的な潜伏空間における分子の表現と最適化を学ぶ全く異なるアプローチである。 原子密度格子を用いた三次元分子構造の深部生成モデルについて述べる。 また、与えられた入力化合物に基づいて多様な分子の集合をサンプリングすることで、有効な薬物様分子の創出の可能性を高めることができる。
  論文  参考訳（メタデータ） (2020-10-17T01:15:47Z)

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。