論文の概要: Deep Molecular Representation Learning via Fusing Physical and Chemical
Information
- arxiv url: http://arxiv.org/abs/2112.04624v1
- Date: Sun, 28 Nov 2021 09:47:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-12 17:23:01.715858
- Title: Deep Molecular Representation Learning via Fusing Physical and Chemical
Information
- Title（参考訳）: 物理・化学情報を利用した深層分子表現学習
- Authors: Shuwen Yang, Ziyao Li, Guojie Song, Lingsheng Cai
- Abstract要約: 分子の物理的および化学的情報を融合させることで分子表現を学習する新しいニューラルアーキテクチャであるPhysChemを紹介する。
PhysChemは物理学者ネットワーク(PhysNet)と化学者ネットワーク(ChemNet)からなる。
- 参考スコア（独自算出の注目度）: 22.039877835819958
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Molecular representation learning is the first yet vital step in combining
deep learning and molecular science. To push the boundaries of molecular
representation learning, we present PhysChem, a novel neural architecture that
learns molecular representations via fusing physical and chemical information
of molecules. PhysChem is composed of a physicist network (PhysNet) and a
chemist network (ChemNet). PhysNet is a neural physical engine that learns
molecular conformations through simulating molecular dynamics with
parameterized forces; ChemNet implements geometry-aware deep message-passing to
learn chemical / biomedical properties of molecules. Two networks specialize in
their own tasks and cooperate by providing expertise to each other. By fusing
physical and chemical information, PhysChem achieved state-of-the-art
performances on MoleculeNet, a standard molecular machine learning benchmark.
The effectiveness of PhysChem was further corroborated on cutting-edge datasets
of SARS-CoV-2.
- Abstract（参考訳）: 分子表現学習は、深層学習と分子科学を組み合わせる最初の重要なステップである。
分子表現学習の限界を押し上げるために、分子の物理的および化学的情報を融合して分子表現を学習する新しい神経構造physchemを提案する。
PhysChemは物理学者ネットワーク(PhysNet)と化学者ネットワーク(ChemNet)で構成されている。
PhysNetは、分子動力学をパラメータ化された力でシミュレートすることで分子配座を学習する神経物理エンジンである。
2つのネットワークは自身のタスクを専門とし、互いに専門知識を提供することで協力する。
PhysChemは物理情報と化学情報を融合することで、標準的な分子機械学習ベンチマークであるMoleculeNet上で最先端のパフォーマンスを達成した。
PhysChemの有効性はSARS-CoV-2の最先端データセットにさらに裏付けられた。
関連論文リスト
- From molecules to scaffolds to functional groups: building context-dependent molecular representation via multi-channel learning [10.025809630976065]
本稿では,より堅牢で一般化可能な化学知識を学習する,新しい事前学習フレームワークを提案する。
提案手法は,種々の分子特性ベンチマークにおける競合性能を示す。
論文 参考訳（メタデータ） (2023-11-05T23:47:52Z) - C3Net: interatomic potential neural network for prediction of
physicochemical properties in heterogenous systems [0.0]
分子コンテキストにおける原子型埋め込みのためのディープニューラルネットワークアーキテクチャを提案する。
この構造は不均一系の物理化学的性質を予測するために応用される。
論文 参考訳（メタデータ） (2023-09-27T00:51:24Z) - 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) - 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) - Multi-modal Molecule Structure-text Model for Text-based Retrieval and
Editing [107.49804059269212]
分子の化学構造とテキスト記述を共同で学習し, マルチモーダルな分子構造テキストモデル, MoleculeSTMを提案する。
実験において、分子STMは、新しい生化学的概念を創出するための最先端の一般化能力を得る。
論文 参考訳（メタデータ） (2022-12-21T06:18:31Z) - A modular quantum-classical framework for simulating chemical reaction
pathways accurately [0.0]
化学反応経路を正確にシミュレートするモジュラー量子古典ハイブリッドフレームワークを提案する。
我々は、小さな有機分子の異性化経路を正確に追跡することで、我々の枠組みを実証する。
この枠組みは、薬品や化学産業の他の「活性」分子の研究に容易に応用できる。
論文 参考訳（メタデータ） (2022-10-17T10:41:53Z) - A Molecular Multimodal Foundation Model Associating Molecule Graphs with
Natural Language [63.60376252491507]
本稿では,分子グラフとその意味的関連テキストデータから事前学習した分子マルチモーダル基礎モデルを提案する。
我々のモデルは、生物学、化学、材料、環境、医学などの分野において、AIを動力とする分野に幅広い影響を与えるだろうと考えています。
論文 参考訳（メタデータ） (2022-09-12T00:56:57Z) - Scalable Fragment-Based 3D Molecular Design with Reinforcement Learning [68.8204255655161]
分子構築に階層的エージェントを用いるスケーラブルな3D設計のための新しいフレームワークを提案する。
様々な実験において、エネルギーのみを考慮に入れたエージェントが、100以上の原子を持つ分子を効率よく生成できることが示されている。
論文 参考訳（メタデータ） (2022-02-01T18:54:24Z) - IMG2SMI: Translating Molecular Structure Images to Simplified
Molecular-input Line-entry System [29.946393284884778]
我々は、画像特徴抽出にDeep Residual Networksを利用するモデルIGG2SMIと、分子記述生成にエンコーダ・デコーダ・トランスフォーマ層を導入する。
IMG2SMIは、分子MACCS Fingerprint Tanimoto similarityによって測定された分子類似性予測において、OSRA系システムよりも163%優れていた。
また、分子記述生成のための8100万分子を含む新しい分子予測データセットもリリースした。
論文 参考訳（メタデータ） (2021-09-03T19:57:07Z) - Chemistry-informed Macromolecule Graph Representation for Similarity
Computation and Supervised Learning [0.0]
モノマーと結合をノードとエッジとして、マクロ分子グラフ表現を開発しています。
化学とトポロジーの異なる2つのマクロ分子間の化学類似性を,グラフ編集距離とグラフカーネルを用いて実証する。
私たちの研究には2つの意味があり、マクロ分子の表現、比較、学習のための一般的なフレームワークを提供します。
論文 参考訳（メタデータ） (2021-03-03T18:05:57Z) - Learning Latent Space Energy-Based Prior Model for Molecule Generation [59.875533935578375]
分子モデリングのためのSMILES表現を用いた潜時空間エネルギーに基づく先行モデルについて学習する。
本手法は,最先端モデルと競合する妥当性と特異性を持つ分子を生成することができる。
論文 参考訳（メタデータ） (2020-10-19T09:34:20Z)
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。