論文の概要: Differentiable Scaffolding Tree for Molecular Optimization
- arxiv url: http://arxiv.org/abs/2109.10469v1
- Date: Wed, 22 Sep 2021 01:16:22 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-23 13:43:09.607701
- Title: Differentiable Scaffolding Tree for Molecular Optimization
- Title(参考訳): 分子最適化のための微分スカラーディングツリー
- Authors: Tianfan Fu, Wenhao Gao, Cao Xiao, Jacob Yasonik, Connor W. Coley,
Jimeng Sun
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 47.447362691543304
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The structural design of functional molecules, also called molecular
optimization, is an essential chemical science and engineering task with
important applications, such as drug discovery. Deep generative models and
combinatorial optimization methods achieve initial success but still struggle
with directly modeling discrete chemical structures and often heavily rely on
brute-force enumeration. The challenge comes from the discrete and
non-differentiable nature of molecule structures. To address this, we propose
differentiable scaffolding tree (DST) that utilizes a learned knowledge network
to convert discrete chemical structures to locally differentiable ones. DST
enables a gradient-based optimization on a chemical graph structure by
back-propagating the derivatives from the target properties through a graph
neural network (GNN). Our empirical studies show the gradient-based molecular
optimizations are both effective and sample efficient. Furthermore, the learned
graph parameters can also provide an explanation that helps domain experts
understand the model output.
- Abstract(参考訳): 機能分子の構造設計は分子最適化とも呼ばれ、創薬などの重要な応用を伴う重要な化学科学と工学の課題である。
深層生成モデルと組合せ最適化法は初期の成功を達成しているが、離散的な化学構造を直接モデル化することに苦慮し、しばしばブルート力列挙に強く依存する。
この課題は分子構造の離散的かつ非微分可能な性質から生じる。
そこで本研究では,個別の化学構造を局所的微分可能構造に変換するための学習知識ネットワークを用いた微分可能足場木(dst)を提案する。
DSTは、グラフニューラルネットワーク(GNN)を介して、ターゲット特性からの導関数をバックプロパゲートすることで、化学グラフ構造上の勾配に基づく最適化を可能にする。
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。
さらに、学習したグラフパラメータは、ドメインの専門家がモデル出力を理解するのに役立つ説明を提供することもできる。
関連論文リスト
- 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) - MolCPT: Molecule Continuous Prompt Tuning to Generalize Molecular
Representation Learning [77.31492888819935]
分子表現学習のための「プリトレイン,プロンプト,ファインチューン」という新しいパラダイム,分子連続プロンプトチューニング(MolCPT)を提案する。
MolCPTは、事前訓練されたモデルを使用して、スタンドアロンの入力を表現的なプロンプトに投影するモチーフプロンプト関数を定義する。
いくつかのベンチマークデータセットの実験により、MollCPTは分子特性予測のために学習済みのGNNを効率的に一般化することが示された。
論文 参考訳(メタデータ) (2022-12-20T19:32:30Z) - 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) - Semi-Supervised GCN for learning Molecular Structure-Activity
Relationships [4.468952886990851]
そこで本稿では,半教師付き学習を用いたグラフ-グラフ間ニューラルネットワークの学習手法を提案する。
最終目標として、我々のアプローチは、アクティビティ崖、リード最適化、デノボドラッグデザインといった問題に対処するための貴重なツールとなる可能性がある。
論文 参考訳(メタデータ) (2022-01-25T09:09:43Z) - 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) - 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) - Realistic molecule optimization on a learned graph manifold [4.640835690336652]
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。
論文 参考訳(メタデータ) (2021-06-03T07:39:35Z) - Deep Molecular Dreaming: Inverse machine learning for de-novo molecular
design and interpretability with surjective representations [1.433758865948252]
コンピュータビジョンを用いた勾配に基づく分子最適化手法PASITHEAを提案する。
ニューラルネットワークの学習プロセスを直接反転させることで勾配の利用を生かし、実際の化学特性を予測するために訓練される。
その結果は予備的ですが、逆トレーニング中の選択されたプロパティの分布の変化、PASITHEAの生存可能性を明確に示しています。
論文 参考訳(メタデータ) (2020-12-17T16:34:59Z) - Reinforced Molecular Optimization with Neighborhood-Controlled Grammars [63.84003497770347]
分子最適化のためのグラフ畳み込みポリシネットワークであるMNCE-RLを提案する。
我々は、元の近傍制御された埋め込み文法を拡張して、分子グラフ生成に適用する。
提案手法は, 分子最適化タスクの多種多様さにおいて, 最先端性能を実現する。
論文 参考訳(メタデータ) (2020-11-14T05:42:15Z)
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。