論文の概要: Decoupled coordinates for machine learning-based molecular fragment linking

• arxiv url: http://arxiv.org/abs/2111.02930v1
• Date: Mon, 1 Nov 2021 17:39:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-05 15:43:50.139990
• Title: Decoupled coordinates for machine learning-based molecular fragment linking
• Title（参考訳）: 機械学習に基づく分子フラグメントリンクのためのデカップリング座標
• Authors: Markus Fleck and Noah Weber and Christopher Trummer
• Abstract要約: 機械学習に基づく分子断片結合の最近の進歩は、生成過程を伝えることの重要性を証明している。 完全な相対座標系は完全であることが示されている。 提案した利点は、リンカ設計における標準的グッドプラクティスとして、完全かつ分離された相対座標系の適用を示唆している。
• 参考スコア（独自算出の注目度）: 1.6006586061577808
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recent developments in machine-learning based molecular fragment linking have demonstrated the importance of informing the generation process with structural information specifying the relative orientation of the fragments to be linked. However, such structural information has not yet been provided in the form of a complete relative coordinate system. Mathematical details for a decoupled set of bond lengths, bond angles and torsion angles are elaborated and the coordinate system is demonstrated to be complete. Significant impact on the quality of the generated linkers is demonstrated numerically. The amount of reliable information within the different types of degrees of freedom is investigated. Ablation studies and an information-theoretical analysis are performed. The presented benefits suggest the application of a complete and decoupled relative coordinate system as a standard good practice in linker design.
• Abstract（参考訳）: 機械学習に基づく分子フラグメントリンクの最近の進歩は、生成プロセスにリンクすべきフラグメントの相対的配向を示す構造情報を伝えることの重要性を示している。 しかし、そのような構造情報は完全な相対座標系の形ではまだ提供されていない。 結合長、結合角、ねじれ角の分離集合の数学的詳細を精巧化し、座標系が完備であることが示されている。 生成したリンカーの品質に対する重要な影響を数値的に示す。 異なる種類の自由度における信頼性情報量について検討した。 アブレーション研究と情報理論的解析を行う。 提案した利点は、リンカ設計における標準的グッドプラクティスとして、完全かつ分離された相対座標系の適用を示唆している。

関連論文リスト

• Graph Structure Inference with BAM: Introducing the Bilinear Attention Mechanism [31.99564199048314]
  本稿では,教師付きグラフ構造学習のためのニューラルネットワークモデルを提案する。 モデルは可変形状および結合された入力データで訓練される。 本手法は, 線形および多種多様な非線形依存関係に対して, 堅牢な一般化性を示す。
  論文  参考訳（メタデータ） (2024-02-12T15:48:58Z)
• Binding Dynamics in Rotating Features [72.80071820194273]
  本稿では,特徴間のアライメントを明示的に計算し,それに応じて重みを調整する「コサイン結合」機構を提案する。 これにより、自己注意と生物学的神経プロセスに直接接続し、回転する特徴に現れるオブジェクト中心の表現の基本的なダイナミクスに光を当てることができます。
  論文  参考訳（メタデータ） (2024-02-08T12:31:08Z)
• Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
  関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。 本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。 RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
  論文  参考訳（メタデータ） (2023-09-20T08:11:58Z)
• Imaginary components of out-of-time correlators and information scrambling for navigating the learning landscape of a quantum machine learning model [0.0]
  我々は、時間外相関器の未探索の虚構成分が、グラフニューラルネットワークの情報スクランブル能力に関する前例のない洞察を与えることができることを分析的に説明する。 このような分析は、量子情報がそのようなネットワークを介してどのようにスクランブルされるかを明らかにすることによって、量子機械学習モデルのトレーニングをデミステレーションする。
  論文  参考訳（メタデータ） (2022-08-29T06:17:28Z)
• The Distributed Information Bottleneck reveals the explanatory structure of complex systems [1.52292571922932]
  Information Bottleneck (IB) は、入力と出力の関係を理解するための情報理論フレームワークである。 我々は、入力の複数のコンポーネントにボトルネックを分散する重要な修正が、科学における解釈可能なディープラーニングのための根本的に新しい道を開くことを示しています。 応用数学と凝縮物質物理学から導かれたシステムにおける分散IBの説明ユーティリティを実証する。
  論文  参考訳（メタデータ） (2022-04-15T17:59:35Z)
• PointSCNet: Point Cloud Structure and Correlation Learning Based on Space Filling Curve-Guided Sampling [9.051430628938592]
  本稿では,PointSCNet と呼ばれるポイントクラウド特徴抽出ネットワークを提案する。 点雲の幾何学的構造情報と局所領域相関情報をキャプチャする。 実験の結果,PointSCNetは点雲の構造と相関を効果的に学習し,最先端の手法と同等あるいは同等であることがわかった。
  論文  参考訳（メタデータ） (2022-02-21T14:00:20Z)
• Equivariant Graph Attention Networks for Molecular Property Prediction [0.34376560669160383]
  大きさの異なる3D分子構造について学ぶことは、機械学習、特に薬物発見における新たな課題である。 本稿では,カルテシアン座標を用いた等変グラフニューラルネットワーク(GNN)を提案する。 小分子の量子力学的性質の予測におけるアーキテクチャの有効性を実証し,タンパク質複合体などの高分子構造に関する問題に対するその利点を示す。
  論文  参考訳（メタデータ） (2022-02-20T19:07:29Z)
• Bending Graphs: Hierarchical Shape Matching using Gated Optimal Transport [80.64516377977183]
  形状マッチングは、コンピュータグラフィックスと視覚のコミュニティにとって長い間研究されてきた問題である。 局所的なパッチレベル情報とグローバルな形状レベルの構造を組み込んだ階層型学習設計について検討する。 本研究では,非信頼ノード上の特徴を逐次更新し,形状間の一貫した一致を学習することで,新しい最適輸送解法を提案する。
  論文  参考訳（メタデータ） (2022-02-03T11:41:46Z)
• Distance-aware Molecule Graph Attention Network for Drug-Target Binding Affinity Prediction [54.93890176891602]
  薬物標的結合親和性予測に適したDiStance-aware Molecule graph Attention Network (S-MAN)を提案する。 そこで,我々はまず,構築したポケットリガンドグラフに位相構造と空間位置情報を統合する位置符号化機構を提案する。 また,エッジレベルアグリゲーションとノードレベルアグリゲーションを有するエッジノード階層的アグリゲーション構造を提案する。
  論文  参考訳（メタデータ） (2020-12-17T17:44:01Z)
• Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
  無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。 モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。 その結果,クロスバリデーションにより予測精度が期待できることがわかった。
  論文  参考訳（メタデータ） (2020-05-27T13:32:10Z)
• Tensor Graph Convolutional Networks for Multi-relational and Robust Learning [74.05478502080658]
  本稿では,テンソルで表されるグラフの集合に関連するデータから,スケーラブルな半教師付き学習(SSL)を実現するためのテンソルグラフ畳み込みネットワーク(TGCN)を提案する。 提案アーキテクチャは、標準的なGCNと比較して大幅に性能が向上し、最先端の敵攻撃に対処し、タンパク質間相互作用ネットワーク上でのSSL性能が著しく向上する。
  論文  参考訳（メタデータ） (2020-03-15T02:33:21Z)

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。