論文の概要: How Much of the Chemical Space Has Been Covered? Measuring and Improving
the Variety of Candidate Set in Molecular Generation
- arxiv url: http://arxiv.org/abs/2112.12542v1
- Date: Wed, 22 Dec 2021 05:41:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-24 16:23:39.913336
- Title: How Much of the Chemical Space Has Been Covered? Measuring and Improving
the Variety of Candidate Set in Molecular Generation
- Title（参考訳）: 化学空間はどのくらい覆われていますか。
分子生成における候補集合の多様性の測定と改善
- Authors: Yutong Xie, Ziqiao Xu, Jiaqi Ma, Qiaozhu Mei
- Abstract要約: まず, 公理解析の枠組みと実証的研究の両面から, 分子多様性を適切に測定することの問題点を考察する。
我々は分析に基づく新しい多種多様な尺度を提案する。
さらに,提案手法を分子生成モデルの最適化目的に適用する。
- 参考スコア（独自算出の注目度）: 17.524902892717197
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Forming a high-quality molecular candidate set that contains a wide range of
dissimilar compounds is crucial to the success of drug discovery. However,
comparing to the research aiming at optimizing chemical properties, how to
measure and improve the variety of drug candidates is relatively understudied.
In this paper, we first investigate the problem of properly measuring the
molecular variety through both an axiomatic analysis framework and an empirical
study. Our analysis suggests that many existing measures are not suitable for
evaluating the variety of molecules. We also propose new variety measures based
on our analysis. We further explicitly integrate the proposed variety measures
into the optimization objective of molecular generation models. Our experiment
results demonstrate that this new optimization objective can guide molecular
generation models to find compounds that cover a lager chemical space,
providing the downstream phases with more distinctive drug candidate choices.
- Abstract（参考訳）: 様々な類似化合物を含む高品質な分子候補集合を形成することは、創薬の成功に不可欠である。
しかし, 化学物質の最適化を目的とした研究と比較すると, 薬剤候補の種類を計測し, 改善する方法は比較的未検討である。
本稿では,まず,分子の多様性を公理的解析枠組みと経験的研究の両方を通して適切に測定する問題について検討する。
分子の多様性を評価するには,既存の測定方法が適していないことが示唆された。
また,本分析に基づく新しい多様性尺度を提案する。
さらに,提案手法を分子生成モデルの最適化目標と明確に統合する。
実験の結果, 新たな最適化目標は分子生成モデルにラガー化学空間をカバーする化合物を探索させ, 下流の段階においてより特異な薬物候補が選択できることを示す。
関連論文リスト
- Aligning Target-Aware Molecule Diffusion Models with Exact Energy Optimization [147.7899503829411]
AliDiffは、事前訓練されたターゲット拡散モデルと望ましい機能特性を整合させる新しいフレームワークである。
最先端の結合エネルギーを持つ分子を最大7.07 Avg. Vina Scoreで生成することができる。
論文 参考訳（メタデータ） (2024-07-01T06:10:29Z) - Latent Chemical Space Searching for Plug-in Multi-objective Molecule Generation [9.442146563809953]
本研究では, 標的親和性, 薬物類似性, 合成性に関連する目的を組み込んだ, 汎用的な「プラグイン」分子生成モデルを構築した。
我々はPSO-ENPを多目的分子生成と最適化のための最適変種として同定する。
論文 参考訳（メタデータ） (2024-04-10T02:37:24Z) - Molecule optimization via multi-objective evolutionary in implicit
chemical space [8.72872397589296]
MOMOは、化学知識の学習と多目的進化探索を組み合わせた多目的分子最適化フレームワークである。
4つの多目的特性と類似性最適化タスクにおけるMOMOの性能を実証し、ケーススタディを通してMOMOの探索能力を示す。
論文 参考訳（メタデータ） (2022-12-17T09:09:23Z) - 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) - Exploring Chemical Space with Score-based Out-of-distribution Generation [57.15855198512551]
生成微分方程式(SDE)にアウト・オブ・ディストリビューション制御を組み込んだスコアベース拡散方式を提案する。
いくつかの新しい分子は現実世界の薬物の基本的な要件を満たしていないため、MOODは特性予測器からの勾配を利用して条件付き生成を行う。
我々はMOODがトレーニング分布を超えて化学空間を探索できることを実験的に検証し、既存の方法で見いだされた分子、そして元のトレーニングプールの上位0.01%までも生成できることを実証した。
論文 参考訳（メタデータ） (2022-06-06T06:17:11Z) - CELLS: Cost-Effective Evolution in Latent Space for Goal-Directed
Molecular Generation [23.618366377098614]
本稿では,分子潜在表現ベクトルを最適化した遅延空間におけるコスト効率のよい進化戦略を提案する。
我々は、潜伏空間と観測空間をマッピングするために、事前訓練された分子生成モデルを採用する。
提案手法といくつかの高度な手法を比較した複数の最適化タスクについて広範な実験を行った。
論文 参考訳（メタデータ） (2021-11-30T11:02:18Z) - Molecular Attributes Transfer from Non-Parallel Data [57.010952598634944]
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。
論文 参考訳（メタデータ） (2021-11-30T06:10:22Z) - MARS: Markov Molecular Sampling for Multi-objective Drug Discovery [43.53413526728175]
薬物分子の多目的発見法であるMARSを提案する。
分子グラフの断片を反復的に編集することで化学候補を生成するという考え方に基づいている。
実験では、MARSは様々な多対象設定で最先端のパフォーマンスを達成しています。
論文 参考訳（メタデータ） (2021-03-18T10:04:15Z) - 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) - Optimizing Molecules using Efficient Queries from Property Evaluations [66.66290256377376]
汎用的なクエリベースの分子最適化フレームワークであるQMOを提案する。
QMOは効率的なクエリに基づいて入力分子の所望の特性を改善する。
QMOは, 有機分子を最適化するベンチマークタスクにおいて, 既存の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） (2020-11-03T18:51:18Z) - Molecular Design in Synthetically Accessible Chemical Space via Deep
Reinforcement Learning [0.0]
既存の生成法は、最適化中に分子特性の分布を好適にシフトできる能力に制限されていると論じる。
本稿では,分子設計のための新しい強化学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-04-29T16:29:28Z)
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。