論文の概要: Learning 3D Representations of Molecular Chirality with Invariance to
Bond Rotations
- arxiv url: http://arxiv.org/abs/2110.04383v1
- Date: Fri, 8 Oct 2021 21:25:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-12 18:25:50.656497
- Title: Learning 3D Representations of Molecular Chirality with Invariance to
Bond Rotations
- Title(参考訳): 結合回転に不変な分子キラリティーの3次元表現の学習
- Authors: Keir Adams, Lagnajit Pattanaik, Connor W. Coley
- Abstract要約: 3次元分子コンバータのねじれ角を処理するSE(3)不変モデルを設計する。
本研究では, 学習空間における異なる立体異性体のコンホメータを識別するコントラスト学習, キラル中心をR/Sに分類する学習, エンテロマーが円偏光でどのように回転するかの予測, タンパクポケット内のドッキングスコアによるエナンチオマーのランキングの4つのベンチマークを用いて実験を行った。
- 参考スコア(独自算出の注目度): 2.17167311150369
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Molecular chirality, a form of stereochemistry most often describing relative
spatial arrangements of bonded neighbors around tetrahedral carbon centers,
influences the set of 3D conformers accessible to the molecule without changing
its 2D graph connectivity. Chirality can strongly alter (bio)chemical
interactions, particularly protein-drug binding. Most 2D graph neural networks
(GNNs) designed for molecular property prediction at best use atomic labels to
na\"ively treat chirality, while E(3)-invariant 3D GNNs are invariant to
chirality altogether. To enable representation learning on molecules with
defined stereochemistry, we design an SE(3)-invariant model that processes
torsion angles of a 3D molecular conformer. We explicitly model conformational
flexibility by integrating a novel type of invariance to rotations about
internal molecular bonds into the architecture, mitigating the need for
multi-conformer data augmentation. We test our model on four benchmarks:
contrastive learning to distinguish conformers of different stereoisomers in a
learned latent space, classification of chiral centers as R/S, prediction of
how enantiomers rotate circularly polarized light, and ranking enantiomers by
their docking scores in an enantiosensitive protein pocket. We compare our
model, Chiral InterRoto-Invariant Neural Network (ChIRo), with 2D and 3D GNNs
to demonstrate that our model achieves state of the art performance when
learning chiral-sensitive functions from molecular structures.
- Abstract(参考訳): 分子キラリティー(分子キラリティー、英: molecular chirality)は、四面体炭素中心付近の結合した隣人の相対的な空間配置を最もよく記述する立体化学の一種で、2dグラフ接続を変更することなく分子がアクセス可能な3d配座体の集合に影響を及ぼす。
キラル性は化学的相互作用、特にタンパク質-ドラッグ結合を強く変化させる。
分子特性予測のために設計されたほとんどの2dグラフニューラルネットワーク(gnns)は、原子ラベルを用いてキラリティーを扱い、e(3)不変な3d gnnはキラリティーに完全不変である。
立体化学を定式化した分子上での表現学習を可能にするため、3次元分子コンホメータのねじれ角を処理するSE(3)不変モデルを設計した。
我々は、内部分子結合に関する回転に新しいタイプの不変性を組み込むことにより、コンフォメーションの柔軟性を明示的にモデル化し、マルチコンフォーマーデータ拡張の必要性を緩和する。
本研究では, 学習空間における異なる立体異性体のコンホメータを識別するコントラスト学習, キラル中心をR/Sに分類する学習, エンテロマーが円偏光でどのように回転するかの予測, タンパクポケット内のドッキングスコアによるエナンチオマーのランク付けを行う。
我々は,我々のモデルであるchiral interroto-invariant neural network (chiro) と2dおよび3d gnnを比較し,分子構造からキラルに敏感な関数を学ぶ際に,その性能が達成可能であることを示す。
関連論文リスト
- Many-body Expansion Based Machine Learning Models for Octahedral Transition Metal Complexes [0.0]
我々はオクタ遷移金属錯体(TMCs)のスピン状態依存性特性の機械学習における自己相関の修正を提案する。
新しい戦略は多体展開(MBE)に基づいており、MBEの切り離し順序を変化させることで、捕捉された立体異性体情報を調整することができる。
この新しいアプローチには電子構造理論からの洞察が組み込まれているため、これらのモデルは同素体から異性体への体系的な一般化を示す。
論文 参考訳(メタデータ) (2024-10-12T21:54:22Z) - UniIF: Unified Molecule Inverse Folding [67.60267592514381]
全分子の逆折り畳みのための統一モデルUniIFを提案する。
提案手法は,全タスクにおける最先端手法を超越した手法である。
論文 参考訳(メタデータ) (2024-05-29T10:26:16Z) - SE3Set: Harnessing equivariant hypergraph neural networks for molecular representation learning [27.713870291922333]
分子表現学習に適したSE(3)同変ハイパーグラフニューラルネットワークアーキテクチャを開発した。
SE3Setは、小さな分子データセットのための最先端(SOTA)モデルと同等のパフォーマンスを示している。
MD22データセットを上回り、全ての分子で約20%の精度で顕著な改善を達成している。
論文 参考訳(メタデータ) (2024-05-26T10:43:16Z) - Learning Over Molecular Conformer Ensembles: Datasets and Benchmarks [44.934084652800976]
コンフォーマーアンサンブルを用いた学習の可能性を徹底的に評価するための,最初のMoleculAR Conformer Ensemble Learningベンチマークを導入する。
その結果,コンバータ空間からの直接学習は,様々なタスクやモデルの性能を向上させることができることがわかった。
論文 参考訳(メタデータ) (2023-09-29T20:06:46Z) - Functional-Group-Based Diffusion for Pocket-Specific Molecule Generation and Elaboration [63.23362798102195]
ポケット特異的分子生成とエラボレーションのための機能群に基づく拡散モデルD3FGを提案する。
D3FGは分子を、剛体として定義される官能基と質量点としてのリンカーの2つのカテゴリに分解する。
実験では, より現実的な3次元構造, タンパク質標的に対する競合親和性, 薬物特性の良好な分子を生成できる。
論文 参考訳(メタデータ) (2023-05-30T06:41:20Z) - 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) - An Equivariant Generative Framework for Molecular Graph-Structure
Co-Design [54.92529253182004]
分子グラフ構造アンダーラインCo設計のための機械学習ベースの生成フレームワークであるMollCodeを提案する。
MolCodeでは、3D幾何情報によって分子2Dグラフの生成が促進され、それによって分子3D構造の予測が導かれる。
分子設計における2次元トポロジーと3次元幾何は本質的に相補的な情報を含んでいることが明らかとなった。
論文 参考訳(メタデータ) (2023-04-12T13:34:22Z) - 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) - Heterogeneous reconstruction of deformable atomic models in Cryo-EM [30.864688165021054]
変形を少数の集団運動に還元した原子論的な表現に基づく異種再構成法について述べる。
各分布について、我々の手法が原子レベルの精度で中間原子モデルを再カプセル化可能であることを示す。
論文 参考訳(メタデータ) (2022-09-29T22:35:35Z) - GeoMol: Torsional Geometric Generation of Molecular 3D Conformer
Ensembles [60.12186997181117]
分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。
既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。
エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
論文 参考訳(メタデータ) (2021-06-08T14:17:59Z)
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。