論文の概要: Genetic Algorithm for Constrained Molecular Inverse Design

• arxiv url: http://arxiv.org/abs/2112.03518v1
• Date: Tue, 7 Dec 2021 05:58:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-09 00:35:47.779648
• Title: Genetic Algorithm for Constrained Molecular Inverse Design
• Title（参考訳）: 制約分子逆設計のための遺伝的アルゴリズム
• Authors: Yurim Lee, Gydam Choi, Minsug Yoon, and Cheongwon Kim
• Abstract要約: 制約付き分子逆設計を特徴とする遺伝的アルゴリズムを提案する。 提案アルゴリズムはクロスオーバーと突然変異に有効な分子を生成する。 実験により,本アルゴリズムは構造的制約を保ちながら,特定の性質を満たす分子を効果的に発見できることが証明された。
• 参考スコア（独自算出の注目度）: 0.1086166673827221
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A genetic algorithm is suitable for exploring large search spaces as it finds an approximate solution. Because of this advantage, genetic algorithm is effective in exploring vast and unknown space such as molecular search space. Though the algorithm is suitable for searching vast chemical space, it is difficult to optimize pharmacological properties while maintaining molecular substructure. To solve this issue, we introduce a genetic algorithm featuring a constrained molecular inverse design. The proposed algorithm successfully produces valid molecules for crossover and mutation. Furthermore, it optimizes specific properties while adhering to structural constraints using a two-phase optimization. Experiments prove that our algorithm effectively finds molecules that satisfy specific properties while maintaining structural constraints.
• Abstract（参考訳）: 遺伝的アルゴリズムは、近似解を見つけるときに大きな探索空間を探すのに適している。 この利点により、遺伝的アルゴリズムは分子探索空間のような広範囲で未知の空間を探索するのに有効である。 このアルゴリズムは広大な化学空間の探索に適しているが、分子構造を維持しながら薬理学的性質を最適化することは困難である。 本稿では,制約のある分子逆設計を特徴とする遺伝的アルゴリズムを提案する。 提案アルゴリズムはクロスオーバーと突然変異に有効な分子を生成する。 さらに、2相最適化を用いて構造制約に固執しながら、特定の特性を最適化する。 実験により,本アルゴリズムは構造的制約を維持しつつ,特定の性質を満たす分子を効果的に発見できることを示した。

関連論文リスト

• Text-Guided Multi-Property Molecular Optimization with a Diffusion Language Model [77.50732023411811]
  変換器を用いた拡散言語モデル(TransDLM)を用いたテキスト誘導多目的分子最適化手法を提案する。 TransDLMは標準化された化学命名法を分子の意味表現として利用し、プロパティ要求をテキスト記述に暗黙的に埋め込む。 提案手法は, 分子構造類似性を最適化し, ベンチマークデータセットの化学的特性を向上するための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） (2024-10-17T14:30:27Z)
• Quantum-inspired Reinforcement Learning for Synthesizable Drug Design [20.00111975801053]
  本稿では, 量子インスパイアされた擬似アニール型ニューラルネットワークを用いた強化学習手法を用いて, 化学構造の離散空間をインテリジェントにナビゲートする手法を提案する。 具体的には、ポリシーニューラルネットワークを用いた決定論的REINFORCEアルゴリズムを用いて、状態遷移と局所探索を誘導する遷移確率を出力する。 提案手法は10Kのクエリ予算を持つPMOベンチマークフレームワークを用いて評価する。
  論文  参考訳（メタデータ） (2024-09-13T20:43:16Z)
• Modified Multiple Sequence Alignment Algorithm on Quantum Annealers (MAQ) [0.0]
  本稿では,生物情報学と遺伝的シークエンシングの分野に応用した量子アニールに対する改良型MSAアルゴリズムを提案する。 我々は、アルゴリズムにより多くの量子複素数を導入しながら、スピン使用率の線形化を達成するために、プログレッシブアライメント手法を適用した。
  論文  参考訳（メタデータ） (2024-03-24T01:57:38Z)
• Evaluating Genetic Algorithms through the Approximability Hierarchy [55.938644481736446]
  本稿では,問題の近似クラスに依存する遺伝的アルゴリズムの有用性を解析する。 特に, 遺伝的アルゴリズムは階層の最も悲観的なクラスに特に有用であることを示す。
  論文  参考訳（メタデータ） (2024-02-01T09:18:34Z)
• Genetic algorithms are strong baselines for molecule generation [3.0832873002777785]
  遺伝的アルゴリズム(GA)は既知の分子をランダムに修飾することで分子を生成する。 本稿では,GAはそのようなタスクに対して非常に強力なアルゴリズムであり,複雑な機械学習手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-10-13T17:25:11Z)
• Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
  我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。 我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。 複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
  論文  参考訳（メタデータ） (2023-02-04T01:32:40Z)
• Temporal Heterogeneity Improves Speed and Convergence in Genetic Algorithms [0.0]
  遺伝的アルゴリズムは自然選択をシミュレートし、様々な問題の解を探すためにパラメータ空間を探索する。 我々は、クロスオーバー確率を個人のフィットネスに逆比例するように設定した。 時間的不均一性はパラメータ空間の事前の知識を必要とせずに探索を改善する。
  論文  参考訳（メタデータ） (2022-02-02T22:48:56Z)
• Improving RNA Secondary Structure Design using Deep Reinforcement Learning [69.63971634605797]
  本稿では,RNA配列設計に強化学習を適用した新しいベンチマークを提案する。このベンチマークでは,目的関数を配列の二次構造における自由エネルギーとして定義する。 本稿では,これらのアルゴリズムに対して行うアブレーション解析の結果と,バッチ間でのアルゴリズムの性能を示すグラフを示す。
  論文  参考訳（メタデータ） (2021-11-05T02:54:06Z)
• JANUS: Parallel Tempered Genetic Algorithm Guided by Deep Neural Networks for Inverse Molecular Design [1.6114012813668934]
  逆分子設計、すなわち特定の目的特性を持つ分子を設計することは最適化問題として考えられる。 ジャヌス (Janus) は、2つの個体群を伝播させ、もう1つは探索用、もう1つは搾取用の遺伝的アルゴリズムである。 Janusは、化学空間のサンプリングを増強するために能動的学習を通じて分子特性を近似するディープニューラルネットワークによって強化される。
  論文  参考訳（メタデータ） (2021-06-07T23:41:34Z)
• 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)
• MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [51.00815310242277]
  生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。 本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
  論文  参考訳（メタデータ） (2020-10-05T20:18:42Z)

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。