論文の概要: Molecular Graph Generation via Geometric Scattering
- arxiv url: http://arxiv.org/abs/2110.06241v1
- Date: Tue, 12 Oct 2021 18:00:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-15 10:20:58.733971
- Title: Molecular Graph Generation via Geometric Scattering
- Title(参考訳): 幾何散乱による分子グラフ生成
- Authors: Dhananjay Bhaskar, Jackson D. Grady, Michael A. Perlmutter, Smita
Krishnaswamy
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 7.796917261490019
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph neural networks (GNNs) have been used extensively for addressing
problems in drug design and discovery. Both ligand and target molecules are
represented as graphs with node and edge features encoding information about
atomic elements and bonds respectively. Although existing deep learning models
perform remarkably well at predicting physicochemical properties and binding
affinities, the generation of new molecules with optimized properties remains
challenging. Inherently, most GNNs perform poorly in whole-graph representation
due to the limitations of the message-passing paradigm. Furthermore,
step-by-step graph generation frameworks that use reinforcement learning or
other sequential processing can be slow and result in a high proportion of
invalid molecules with substantial post-processing needed in order to satisfy
the principles of stoichiometry. To address these issues, we propose a
representation-first approach to molecular graph generation. We guide the
latent representation of an autoencoder by capturing graph structure
information with the geometric scattering transform and apply penalties that
structure the representation also by molecular properties. We show that this
highly structured latent space can be directly used for molecular graph
generation by the use of a GAN. We demonstrate that our architecture learns
meaningful representations of drug datasets and provides a platform for
goal-directed drug synthesis.
- Abstract(参考訳): 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。
リガンド分子とターゲット分子は、それぞれ原子要素と結合に関する情報をエンコードするノードとエッジを持つグラフとして表される。
既存の深層学習モデルは物理化学的特性と結合親和性を予測するのに優れているが、最適化された性質を持つ新しい分子の生成は依然として困難である。
代わって、ほとんどのGNNはメッセージパッシングパラダイムの限界のため、グラフ全体の表現が不十分である。
さらに、強化学習やその他のシーケンシャルな処理を用いるステップバイステップグラフ生成フレームワークは遅くなり、分析の原理を満たすために、かなりの後処理を必要とする無効な分子の割合が高くなる。
これらの問題に対処するため,我々は分子グラフ生成のための表現優先アプローチを提案する。
グラフ構造情報を幾何学的散乱変換で捉えることにより、自己エンコーダの潜在表現を導出し、その表現を分子特性によっても構成するペナルティを適用する。
この高度に構造化された潜在空間は、GANを用いて直接分子グラフ生成に利用できることを示す。
我々のアーキテクチャは、薬物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プラットフォームを提供する。
関連論文リスト
- GraphXForm: Graph transformer for computer-aided molecular design with application to extraction [73.1842164721868]
本稿では,デコーダのみのグラフトランスフォーマアーキテクチャであるGraphXFormについて述べる。
液液抽出のための2つの溶媒設計課題について評価し,4つの最先端分子設計技術より優れていることを示した。
論文 参考訳(メタデータ) (2024-11-03T19:45:15Z) - 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) - 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) - Graph Generation with Diffusion Mixture [57.78958552860948]
グラフの生成は、非ユークリッド構造の複雑な性質を理解する必要がある実世界のタスクにとって大きな課題である。
本稿では,拡散過程の最終グラフ構造を明示的に学習することにより,グラフのトポロジーをモデル化する生成フレームワークを提案する。
論文 参考訳(メタデータ) (2023-02-07T17:07:46Z) - HiGNN: Hierarchical Informative Graph Neural Networks for Molecular
Property Prediction Equipped with Feature-Wise Attention [5.735627221409312]
分子特性を予測するための階層型情報グラフニューラルネットワークフレームワーク(HiGNN)を提案する。
実験により、HiGNNは、多くの挑戦的な薬物発見関連ベンチマークデータセットに対して最先端の予測性能を達成することが示された。
論文 参考訳(メタデータ) (2022-08-30T05:16:15Z) - 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) - FunQG: Molecular Representation Learning Via Quotient Graphs [0.0]
本稿ではFunQGという新しい分子グラフ粗化フレームワークを提案する。
FunQGは、その性質を決定するために分子の影響力のある構成要素として官能基を用いる。
得られた情報グラフは,分子グラフよりもはるかに小さいため,GNNの訓練に適していることを示す。
論文 参考訳(メタデータ) (2022-07-18T13:36:20Z) - Learning Attributed Graph Representations with Communicative Message
Passing Transformer [3.812358821429274]
分子グラフ表現を改善するために,コミュニケーティブメッセージパッシングトランス (CoMPT) ニューラルネットワークを提案する。
分子を完全連結グラフとして扱う従来のトランスフォーマースタイルのGNNとは異なり、グラフ接続帰納バイアスを利用するメッセージ拡散機構を導入する。
論文 参考訳(メタデータ) (2021-07-19T11:58:32Z) - Self-Supervised Graph Transformer on Large-Scale Molecular Data [73.3448373618865]
分子表現学習のための新しいフレームワークGROVERを提案する。
GROVERは、分子の豊富な構造的および意味的な情報を、巨大な未標識分子データから学習することができる。
分子表現学習において、最大のGNNであり、最大のトレーニングデータセットである、1000万個の未標識分子に1億のパラメータを持つGROVERを事前訓練します。
論文 参考訳(メタデータ) (2020-06-18T08:37:04Z) - 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。
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。