論文の概要: Molecular Attributes Transfer from Non-Parallel Data
- arxiv url: http://arxiv.org/abs/2111.15146v1
- Date: Tue, 30 Nov 2021 06:10:22 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-01 15:55:14.779791
- Title: Molecular Attributes Transfer from Non-Parallel Data
- Title(参考訳): 非並列データからの分子属性伝達
- Authors: Shuangjia Zheng, Ying Song, Zhang Pan, Chengtao Li, Le Song, Yuedong
Yang
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 57.010952598634944
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Optimizing chemical molecules for desired properties lies at the core of drug
development. Despite initial successes made by deep generative models and
reinforcement learning methods, these methods were mostly limited by the
requirement of predefined attribute functions or parallel data with manually
pre-compiled pairs of original and optimized molecules. In this paper, for the
first time, we formulate molecular optimization as a style transfer problem and
present a novel generative model that could automatically learn internal
differences between two groups of non-parallel data through adversarial
training strategies. Our model further enables both preservation of molecular
contents and optimization of molecular properties through combining auxiliary
guided-variational autoencoders and generative flow techniques. Experiments on
two molecular optimization tasks, toxicity modification and synthesizability
improvement, demonstrate that our model significantly outperforms several
state-of-the-art methods.
- Abstract(参考訳): 望ましい性質のために化学分子を最適化することは、薬物開発の中核である。
深層生成モデルと強化学習法による初期の成功にもかかわらず、これらの手法は主に、あらかじめ定義された属性関数や、手動でコンパイルされたオリジナルの分子と最適化された分子のペアによる並列データの要求によって制限された。
本稿では,分子最適化をスタイル伝達問題として初めて定式化し,非並列データの2つのグループ間の内部的差異を自動的に学習する新しい生成モデルを提案する。
さらに, 補助的可変オートエンコーダと生成フロー技術を組み合わせることにより, 分子コンテンツの保存と分子特性の最適化を両立する。
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。
関連論文リスト
- Field-based Molecule Generation [50.124402120798365]
本稿では,本手法の柔軟性が,一般的なポイントクラウド方式よりも重要な利点をもたらすことを示す。
我々は、薬物の安全性と有効性に欠落した分子特性である光学異性体(エナンチオマー)に取り組む。
論文 参考訳(メタデータ) (2024-02-24T17:13:58Z) - Diffusing on Two Levels and Optimizing for Multiple Properties: A Novel
Approach to Generating Molecules with Desirable Properties [33.2976176283611]
本稿では,分子を望ましい性質で生成する新しい手法を提案する。
望ましい分子断片を得るため,我々は新しい電子効果に基づくフラグメンテーション法を開発した。
提案手法により生成する分子は, 従来のSOTAモデルより有効, 特異性, 新規性, Fr'echet ChemNet Distance (FCD), QED, PlogP を有することを示す。
論文 参考訳(メタデータ) (2023-10-05T11:43:21Z) - 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) - Bidirectional Generation of Structure and Properties Through a Single
Molecular Foundation Model [44.60174246341653]
本稿では, 構造と生化学的性質を組み込んだ, 新規なマルチモーダル分子事前学習モデルを提案する。
提案するデータハンドリングおよびトレーニング目的のモデルパイプラインは、共通埋め込み空間における構造/プロパティの特徴を整合させる。
これらのコントリビューションは相乗的知識を生み出し、単一のモデルでマルチモーダルと非モーダルの両方の下流タスクに取り組むことができる。
論文 参考訳(メタデータ) (2022-11-19T05:16:08Z) - Retrieval-based Controllable Molecule Generation [63.44583084888342]
制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。
我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。
提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
論文 参考訳(メタデータ) (2022-08-23T17:01:16Z) - Multi-Objective Latent Space Optimization of Generative Molecular Design
Models [3.3903891679981597]
生成分子設計(GMD)の性能を大幅に向上させる多目的潜在空間最適化(LSO)法を提案する。
複数分子特性を共同最適化するための多目的GMD LSO法は, GMDの性能を著しく向上させることができることを示す。
論文 参考訳(メタデータ) (2022-03-01T15:12:05Z) - Learning Neural Generative Dynamics for Molecular Conformation
Generation [89.03173504444415]
分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。
分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
論文 参考訳(メタデータ) (2021-02-20T03:17:58Z) - Molecule Optimization via Fragment-based Generative Models [21.888942129750124]
創薬において、分子最適化は、望ましい薬物特性の観点から薬候補をより良いものにするための重要なステップである。
本稿では,計算量最適化分子に対する革新的シリコアプローチを提案し,最適化分子グラフを生成するために問題を定式化する。
我々の生成モデルはフラグメントベースの薬物設計の重要なアイデアに従い、小さなフラグメントを変更することで分子を最適化します。
論文 参考訳(メタデータ) (2020-12-08T05:52:16Z) - CASTELO: Clustered Atom Subtypes aidEd Lead Optimization -- a combined
machine learning and molecular modeling method [2.8381402107366034]
我々は、リード最適化ワークフローを自動化する機械学習と分子モデリングを組み合わせたアプローチを提案する。
本手法は, 薬剤の有効性向上に有効な, ホットスポットの新規なヒントを提供する。
論文 参考訳(メタデータ) (2020-11-27T15:41:00Z) - 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。