論文の概要: Rxn Hypergraph: a Hypergraph Attention Model for Chemical Reaction Representation

• arxiv url: http://arxiv.org/abs/2201.01196v1
• Date: Sun, 2 Jan 2022 12:33:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-05 23:09:54.143555
• Title: Rxn Hypergraph: a Hypergraph Attention Model for Chemical Reaction Representation
• Title（参考訳）: Rxn Hypergraph:化学反応表現のためのハイパーグラフ注意モデル
• Authors: Mohammadamin Tavakoli, Alexander Shmakov, Francesco Ceccarelli, Pierre Baldi
• Abstract要約: 現在、化学反応を強固に表現するための普遍的で広く採用されている方法は存在しない。 ここでは、グラフに基づく分子構造の表現を利用して、ハイパーグラフアテンションニューラルネットワークアプローチを開発し、テストする。 我々はこのハイパーグラフ表現を3つの独立な化学反応データセットを用いて3つの実験で評価した。
• 参考スコア（独自算出の注目度）: 70.97737157902947
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: It is fundamental for science and technology to be able to predict chemical reactions and their properties. To achieve such skills, it is important to develop good representations of chemical reactions, or good deep learning architectures that can learn such representations automatically from the data. There is currently no universal and widely adopted method for robustly representing chemical reactions. Most existing methods suffer from one or more drawbacks, such as: (1) lacking universality; (2) lacking robustness; (3) lacking interpretability; or (4) requiring excessive manual pre-processing. Here we exploit graph-based representations of molecular structures to develop and test a hypergraph attention neural network approach to solve at once the reaction representation and property-prediction problems, alleviating the aforementioned drawbacks. We evaluate this hypergraph representation in three experiments using three independent data sets of chemical reactions. In all experiments, the hypergraph-based approach matches or outperforms other representations and their corresponding models of chemical reactions while yielding interpretable multi-level representations.
• Abstract（参考訳）: 科学と技術が化学反応とその特性を予測できることは基本的なことである。 このようなスキルを達成するためには、化学反応の優れた表現や、データからその表現を自動的に学習できる優れたディープラーニングアーキテクチャを開発することが重要である。 現在、化学反応を強固に表現するための普遍的で広く採用されている方法は存在しない。 既存のほとんどの手法は、(1)普遍性の欠如、(2)堅牢性の欠如、(3)解釈可能性の欠如、(4)過剰な手作業による事前処理などの欠点に悩まされている。 ここでは,分子構造のグラフベース表現を利用してハイパーグラフアテンションニューラルネットワークアプローチを開発し,反応表現と特性予測問題を一度に解くことで,上記の欠点を緩和する。 我々はこのハイパーグラフ表現を3つの独立な化学反応データセットを用いて3つの実験で評価した。 すべての実験において、ハイパーグラフに基づくアプローチは他の表現とそれに対応する化学反応のモデルに適合し、解釈可能な多レベル表現をもたらす。

関連論文リスト

• Learning Chemical Reaction Representation with Reactant-Product Alignment [50.28123475356234]
  本稿では,様々な有機反応関連タスクに適した新しい化学反応表現学習モデルであるモデルネームを紹介する。 反応物質と生成物との原子対応を統合することにより、反応中に生じる分子変換を識別し、反応機構の理解を深める。 反応条件を化学反応表現に組み込むアダプタ構造を設計し、様々な反応条件を処理し、様々なデータセットや下流タスク、例えば反応性能予測に適応できるようにした。
  論文  参考訳（メタデータ） (2024-11-26T17:41:44Z)
• AI for Interpretable Chemistry: Predicting Radical Mechanistic Pathways via Contrastive Learning [45.379791270351184]
  RMechRPは、新しいディープラーニングベースの反応予測システムである。 我々は、ラジカル反応の公開データベースであるRMechDBを用いてモデルを開発し、訓練する。 本研究は,RMechRPが正確かつ解釈可能な予測に有効であることを示す。
  論文  参考訳（メタデータ） (2023-11-02T09:47:27Z)
• 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)
• ReactIE: Enhancing Chemical Reaction Extraction with Weak Supervision [27.850325653751078]
  構造化化学反応情報は、実験とコンピュータ支援医薬品設計のような先進的な取り組みに携わる化学者にとって重要な役割を担っている。 科学的文献から構造的反応を抽出することが重要であるにもかかわらず、この目的のためのデータアノテーションは、ドメインの専門家が必要とする多大な労力のためにコストを抑えることができる。 本稿では,2つの弱教師付き事前学習手法を組み合わせたReactIEを提案する。本手法では,テキスト内の頻繁なパターンを言語的手がかりとして用いて,化学反応の特異な特性を同定する。
  論文  参考訳（メタデータ） (2023-07-04T02:52:30Z)
• AI-driven Hypergraph Network of Organic Chemistry: Network Statistics and Applications in Reaction Classification [0.0]
  我々は、標準の反応データセットを使用してハイパーネットワークを構築し、その統計を報告する。 また、反応の等価なグラフ表現に対して各統計量を計算し、平行線を描画し、相違点を強調する。 ハイパーネットワーク表現は柔軟性があり、反応コンテキストを保持し、隠れた洞察を明らかにする。
  論文  参考訳（メタデータ） (2022-08-02T14:12:03Z)
• Graph Neural Networks for the Prediction of Substrate-Specific Organic Reaction Conditions [79.45090959869124]
  有機化学反応をモデル化するために,グラフニューラルネットワーク(GNN)を用いた系統的研究を行った。 実験試薬と条件の識別に関わる分類タスクに対して、7つの異なるGNNアーキテクチャを評価した。
  論文  参考訳（メタデータ） (2020-07-08T17:21:00Z)
• Learning Graph Models for Retrosynthesis Prediction [90.15523831087269]
  再合成予測は有機合成の基本的な問題である。 本稿では,前駆体分子のグラフトポロジーが化学反応中にほとんど変化しないという考え方を生かしたグラフベースのアプローチを提案する。 提案モデルでは,テンプレートフリーおよび半テンプレートベースの手法よりも高い5,3.7%の精度でトップ1の精度を実現している。
  論文  参考訳（メタデータ） (2020-06-12T09:40:42Z)
• ChemGrapher: Optical Graph Recognition of Chemical Compounds by Deep Learning [6.88204255655161]
  薬物発見においては、化学物質のグラフ構造に関する知識が不可欠である。 画像を自動的に分析し、それらを化学グラフ構造に変換するツールは、多くのアプリケーションに役立つだろう。 我々は,光化合物認識のためのディープニューラルネットワークモデルを開発した。
  論文  参考訳（メタデータ） (2020-02-23T14:30:55Z)
• Retrosynthesis Prediction with Conditional Graph Logic Network [118.70437805407728]
  コンピュータ支援のレトロシンセシスは、化学と計算機科学の双方から新たな関心を集めている。 本稿では,グラフニューラルネットワーク上に構築された条件付きグラフィカルモデルであるConditional Graph Logic Networkを用いて,この課題に対する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2020-01-06T05:36:57Z)

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。