論文の概要: FastFlows: Flow-Based Models for Molecular Graph Generation
- arxiv url: http://arxiv.org/abs/2201.12419v1
- Date: Fri, 28 Jan 2022 21:08:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-04 12:24:56.973668
- Title: FastFlows: Flow-Based Models for Molecular Graph Generation
- Title(参考訳): FastFlows: 分子グラフ生成のためのフローベースモデル
- Authors: Nathan C. Frey, Vijay Gadepally, Bharath Ramsundar
- Abstract要約: FastFlowsは数千の化学的に有効な分子を数秒で生成する。
我々のモデルは自己回帰型分子生成モデルよりもはるかにシンプルで、訓練が容易です。
- 参考スコア(独自算出の注目度): 4.9252608053969675
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We propose a framework using normalizing-flow based models, SELF-Referencing
Embedded Strings, and multi-objective optimization that efficiently generates
small molecules. With an initial training set of only 100 small molecules,
FastFlows generates thousands of chemically valid molecules in seconds. Because
of the efficient sampling, substructure filters can be applied as desired to
eliminate compounds with unreasonable moieties. Using easily computable and
learned metrics for druglikeness, synthetic accessibility, and synthetic
complexity, we perform a multi-objective optimization to demonstrate how
FastFlows functions in a high-throughput virtual screening context. Our model
is significantly simpler and easier to train than autoregressive molecular
generative models, and enables fast generation and identification of druglike,
synthesizable molecules.
- Abstract(参考訳): 本稿では, 正規化フローモデル, SELF参照組込み文字列, 小分子を効率的に生成する多目的最適化を用いたフレームワークを提案する。
最初のトレーニングセットは100個の小さな分子で、FastFlowsは数秒で何千もの化学的に有効な分子を生成する。
効率的なサンプリングのため、サブ構造フィルターは不合理なモーティーを持つ化合物を除去するために必要に応じて適用することができる。
薬物類似性, 合成アクセシビリティ, 合成複雑性の計算が容易で学習可能なメトリクスを用いて, マルチオブジェクト最適化を行い, 高速な仮想スクリーニング環境でのFastFlowsの動作を実証する。
我々のモデルは自己回帰型分子生成モデルよりもはるかにシンプルで訓練が容易であり、薬物様合成可能な分子の高速な生成と同定を可能にする。
関連論文リスト
- 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) - Accurate Machine Learned Quantum-Mechanical Force Fields for
Biomolecular Simulations [51.68332623405432]
分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。
近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。
本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
論文 参考訳(メタデータ) (2022-05-17T13:08:28Z) - 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) - Flow Network based Generative Models for Non-Iterative Diverse Candidate
Generation [110.09855163856326]
本稿では,アクションのシーケンスからオブジェクトを生成するためのポリシーを学習する問題について述べる。
本稿では,生成過程をフローネットワークとして見たGFlowNetを提案する。
提案した目的の任意のグローバルな最小限が、所望の分布から標本化する方針を導出することを証明する。
論文 参考訳(メタデータ) (2021-06-08T14:21:10Z) - Realistic molecule optimization on a learned graph manifold [4.640835690336652]
学習されたリアリズムサンプリングは、経験的により現実的な分子を生成し、類似性制約を伴う分子最適化のタスクにおいて、最近のすべてのベースラインを上回ります。
本研究では,自動回帰モデルを用いてデータセットの分布を学習し,スコア最適化をメトロポリスアルゴリズムを用いて行うハイブリッド手法を提案する。
論文 参考訳(メタデータ) (2021-06-03T07:39:35Z) - 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) - RetroGNN: Approximating Retrosynthesis by Graph Neural Networks for De
Novo Drug Design [75.14290780116002]
我々は、再合成計画ソフトウェアの出力を近似するために、ディープグラフニューラルネットワークを訓練する。
提案手法では, 薬剤的特性は良好であり, 合成が容易であるにもかかわらず, 抗生物質である可能性が示唆された分子について検討した。
論文 参考訳(メタデータ) (2020-11-25T22:04:16Z) - MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [66.84839948236478]
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) - The Synthesizability of Molecules Proposed by Generative Models [3.032184156362992]
機能性分子の発見は高価で時間を要するプロセスである。
初期の薬物発見への関心が高まる技術のひとつに、デ・ノボの分子生成と最適化がある。
これらの手法は、多目的関数の最大化を目的とした新しい分子構造を示唆することができる。
しかし、これらのアプローチの実用性は、合成可能性の無知によって汚される。
論文 参考訳(メタデータ) (2020-02-17T15:41:28Z)
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。