Fugu-MT 論文翻訳(概要): Inverse design of 3d molecular structures with conditional generative neural networks

論文の概要: Inverse design of 3d molecular structures with conditional generative neural networks

arxiv url: http://arxiv.org/abs/2109.04824v1
Date: Fri, 10 Sep 2021 12:12:38 GMT
ステータス: 処理完了
システム内更新日: 2021-09-13 13:38:14.938765
Title: Inverse design of 3d molecular structures with conditional generative neural networks
Title（参考訳）: 条件付き生成ニューラルネットワークを用いた3次元分子構造の逆設計
Authors: Niklas W. A. Gebauer, Michael Gastegger, Stefaan S. P. Hessmann, Klaus-Robert M\"uller, Kristof T. Sch\"utt
Abstract要約: 本研究では, 特定の構造と化学的性質を有する3次元分子構造のための条件生成ニューラルネットワークを提案する。このアプローチは化学結合とは無関係であり、条件分布から新しい分子を標的としたサンプリングを可能にする。
参考スコア（独自算出の注目度）: 2.7998963147546148
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The rational design of molecules with desired properties is a long-standing challenge in chemistry. Generative neural networks have emerged as a powerful approach to sample novel molecules from a learned distribution. Here, we propose a conditional generative neural network for 3d molecular structures with specified structural and chemical properties. This approach is agnostic to chemical bonding and enables targeted sampling of novel molecules from conditional distributions, even in domains where reference calculations are sparse. We demonstrate the utility of our method for inverse design by generating molecules with specified composition or motifs, discovering particularly stable molecules, and jointly targeting multiple electronic properties beyond the training regime.
Abstract（参考訳）: 望ましい性質を持つ分子の合理的設計は、化学における長年の課題である。生成ニューラルネットワークは、学習された分布から新しい分子をサンプリングする強力なアプローチとして登場した。本稿では, 特定の構造と化学的性質を有する3次元分子構造のための条件生成ニューラルネットワークを提案する。このアプローチは化学結合とは無関係であり、参照計算が疎い領域でも条件分布から新しい分子を標的にサンプリングすることができる。本手法は,特定の組成やモチーフを持つ分子を生成し,特に安定な分子を発見し,訓練領域を超えて複数の電子特性を共同ターゲットとした逆設計手法の有用性を示す。

関連論文リスト

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)
Towards Predicting Equilibrium Distributions for Molecular Systems with Deep Learning [60.02391969049972]
本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。 DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
論文参考訳（メタデータ） (2023-06-08T17:12:08Z)
MUDiff: Unified Diffusion for Complete Molecule Generation [104.7021929437504]
本稿では,原子の特徴,2次元離散分子構造,および3次元連続分子座標を含む分子の包括的表現を生成する新しいモデルを提案する。拡散過程を認知するための新しいグラフトランスフォーマーアーキテクチャを提案する。我々のモデルは、安定で多様な分子を設計するための有望なアプローチであり、分子モデリングの幅広いタスクに適用できる。
論文参考訳（メタデータ） (2023-04-28T04:25:57Z)
DiffBP: Generative Diffusion of 3D Molecules for Target Protein Binding [51.970607704953096]
従来の研究は通常、原子の要素タイプと3次元座標を1つずつ生成する自己回帰的な方法で原子を生成する。現実世界の分子系では、分子全体の原子間の相互作用が大域的であり、原子間のエネルギー関数が結合する。本研究では、標的タンパク質に基づく分子3次元構造の生成拡散モデルを構築し、非自己回帰的に全原子レベルで構築する。
論文参考訳（メタデータ） (2022-11-21T07:02:15Z)
Substructure-Atom Cross Attention for Molecular Representation Learning [21.4652884347198]
分子表現学習のための新しい枠組みを提案する。私たちの貢献は3つある: (a) 部分構造を分子のノード的特徴に組み込むことの有用性を実証すること、(b) トランスフォーマーとグラフニューラルネットワークからなる2つの分岐ネットワークを設計すること、(c) 分子からの特徴や計算的な情報を必要としないこと、である。
論文参考訳（メタデータ） (2022-10-15T09:44:27Z)
Exploring Chemical Space with Score-based Out-of-distribution Generation [57.15855198512551]
生成微分方程式(SDE)にアウト・オブ・ディストリビューション制御を組み込んだスコアベース拡散方式を提案する。いくつかの新しい分子は現実世界の薬物の基本的な要件を満たしていないため、MOODは特性予測器からの勾配を利用して条件付き生成を行う。我々はMOODがトレーニング分布を超えて化学空間を探索できることを実験的に検証し、既存の方法で見いだされた分子、そして元のトレーニングプールの上位0.01%までも生成できることを実証した。
論文参考訳（メタデータ） (2022-06-06T06:17:11Z)
Scalable Fragment-Based 3D Molecular Design with Reinforcement Learning [68.8204255655161]
分子構築に階層的エージェントを用いるスケーラブルな3D設計のための新しいフレームワークを提案する。様々な実験において、エネルギーのみを考慮に入れたエージェントが、100以上の原子を持つ分子を効率よく生成できることが示されている。
論文参考訳（メタデータ） (2022-02-01T18:54:24Z)
Generating 3D Molecules Conditional on Receptor Binding Sites with Deep Generative Models [0.0]
本稿では,受容体結合部位に条件付き3次元分子構造を生成する深層学習システムについて述べる。生成原子密度から有効な分子配座を構築するために原子フィッティング法と結合推論法を適用した。この研究は、ディープラーニングによるタンパク質構造からの安定な生物活性分子のエンドツーエンド予測の扉を開く。
論文参考訳（メタデータ） (2021-10-28T15:17:24Z)
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)
Generating 3D Molecular Structures Conditional on a Receptor Binding Site with Deep Generative Models [0.0]
本稿では,3次元分子結合ポケット上に条件付き3次元構造を生成可能な深部生成モデルについて初めて述べる。基準種子の構造によって定義される変分潜在空間から、有効かつ特異な分子を容易にサンプリングできることが示される。
論文参考訳（メタデータ） (2020-10-16T16:27:47Z)
Multi-Objective Molecule Generation using Interpretable Substructures [38.637412590671865]
薬物発見は、特定の化学的性質を持つ新規化合物を見つけることを目的としている。目的は、複数の性質制約の交わりで分子をサンプリングすることを学ぶことである。我々は、分子の合理性と呼ばれる部分構造の語彙から分子を構成することによって、この複雑さを相殺することを提案する。
論文参考訳（メタデータ） (2020-02-08T22:55:37Z)

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。