論文の概要: Scalable Fragment-Based 3D Molecular Design with Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2202.00658v1
• Date: Tue, 1 Feb 2022 18:54:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-02 13:59:22.606630
• Title: Scalable Fragment-Based 3D Molecular Design with Reinforcement Learning
• Title（参考訳）: 強化学習によるスケーラブルフラグメントに基づく3次元分子設計
• Authors: Daniel Flam-Shepherd, Alexander Zhigalin and Al\'an Aspuru-Guzik
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 68.8204255655161
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning has the potential to automate molecular design and drastically accelerate the discovery of new functional compounds. Towards this goal, generative models and reinforcement learning (RL) using string and graph representations have been successfully used to search for novel molecules. However, these approaches are limited since their representations ignore the three-dimensional (3D) structure of molecules. In fact, geometry plays an important role in many applications in inverse molecular design, especially in drug discovery. Thus, it is important to build models that can generate molecular structures in 3D space based on property-oriented geometric constraints. To address this, one approach is to generate molecules as 3D point clouds by sequentially placing atoms at locations in space -- this allows the process to be guided by physical quantities such as energy or other properties. However, this approach is inefficient as placing individual atoms makes the exploration unnecessarily deep, limiting the complexity of molecules that can be generated. Moreover, when optimizing a molecule, organic and medicinal chemists use known fragments and functional groups, not single atoms. We introduce a novel RL framework for scalable 3D design that uses a hierarchical agent to build molecules by placing molecular substructures sequentially in 3D space, thus attempting to build on the existing human knowledge in the field of molecular design. In a variety of experiments with different substructures, we show that our agent, guided only by energy considerations, can efficiently learn to produce molecules with over 100 atoms from many distributions including drug-like molecules, organic LED molecules, and biomolecules.
• Abstract（参考訳）: 機械学習は分子設計を自動化し、新しい機能性化合物の発見を劇的に加速する可能性がある。 この目的のために、文字列とグラフ表現を用いた生成モデルと強化学習(RL)が新しい分子の探索に成功している。 しかしながら、これらのアプローチは分子の3次元構造を無視するため制限されている。 実際、幾何は逆分子設計、特に創薬において多くの応用において重要な役割を果たす。 したがって、プロパティ指向幾何学的制約に基づいて3次元空間で分子構造を生成できるモデルを構築することが重要である。 これを解決するために、1つのアプローチは、空間上の位置に原子を逐次配置することで3Dポイントの雲として分子を生成することである。 しかし、個々の原子を配置することで探索が不要に深くなり、生成可能な分子の複雑さが制限されるため、このアプローチは非効率である。 さらに、分子を最適化する際、有機化学と医薬化学は、単一の原子ではなく既知の断片と官能基を用いる。 本稿では,スケーラブルな3d設計のための新しいrlフレームワークについて紹介する。3d空間に分子構造を順次配置することにより,分子設計の分野における既存の人間の知識を基盤とする階層的エージェントを用いた分子構築を行う。 異なるサブ構造を持つ様々な実験において、我々のエージェントはエネルギーだけを考慮し、薬物様分子、有機led分子、生体分子を含む多くの分布から100以上の原子を持つ分子を効率的に生成できることを示しました。

関連論文リスト

• UniIF: Unified Molecule Inverse Folding [67.60267592514381]
  全分子の逆折り畳みのための統一モデルUniIFを提案する。 提案手法は,全タスクにおける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） (2024-05-29T10:26:16Z)
• MUDiff: Unified Diffusion for Complete Molecule Generation [104.7021929437504]
  本稿では,原子の特徴,2次元離散分子構造,および3次元連続分子座標を含む分子の包括的表現を生成する新しいモデルを提案する。 拡散過程を認知するための新しいグラフトランスフォーマーアーキテクチャを提案する。 我々のモデルは、安定で多様な分子を設計するための有望なアプローチであり、分子モデリングの幅広いタスクに適用できる。
  論文  参考訳（メタデータ） (2023-04-28T04:25:57Z)
• 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)
• 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)
• DiffBP: Generative Diffusion of 3D Molecules for Target Protein Binding [51.970607704953096]
  従来の研究は通常、原子の要素タイプと3次元座標を1つずつ生成する自己回帰的な方法で原子を生成する。 現実世界の分子系では、分子全体の原子間の相互作用が大域的であり、原子間のエネルギー関数が結合する。 本研究では、標的タンパク質に基づく分子3次元構造の生成拡散モデルを構築し、非自己回帰的に全原子レベルで構築する。
  論文  参考訳（メタデータ） (2022-11-21T07:02:15Z)
• A 3D Molecule Generative Model for Structure-Based Drug Design [18.29582138009123]
  構造に基づく薬物設計において、特定のタンパク質結合部位に結合する分子を生成するという根本的な問題を研究する。 指定された3Dタンパク質結合部位に与えられた分子を生成する3D生成モデルを提案する。
  論文  参考訳（メタデータ） (2022-03-20T03:54:47Z)
• Learning to design drug-like molecules in three-dimensional space using deep generative models [0.0]
  Ligand Neural Network(L-Net)は、高品質の3D構造を持つ薬物様分子を設計するための新しいグラフ生成モデルです。 L-Netは化学的に正しい、コンフォメーションに有効な、非常に薬物的な分子を生成することができる。
  論文  参考訳（メタデータ） (2021-04-17T07:30:23Z)
• Learning a Continuous Representation of 3D Molecular Structures with Deep Generative Models [0.0]
  生成モデルは、連続的な潜伏空間における分子の表現と最適化を学ぶ全く異なるアプローチである。 原子密度格子を用いた三次元分子構造の深部生成モデルについて述べる。 また、与えられた入力化合物に基づいて多様な分子の集合をサンプリングすることで、有効な薬物様分子の創出の可能性を高めることができる。
  論文  参考訳（メタデータ） (2020-10-17T01:15:47Z)
• Reinforcement Learning for Molecular Design Guided by Quantum Mechanics [10.112779201155005]
  分子設計のための新しいRL式を座標で提示し、構築可能な分子のクラスを拡張した。 我々の報酬関数は、高速量子化学法で近似したエネルギーのような基本的な物理的性質に基づいている。 本実験では, 翻訳および回転不変状態-作用空間で作業することで, エージェントがスクラッチからこれらの課題を効率的に解けることを示す。
  論文  参考訳（メタデータ） (2020-02-18T16:43:58Z)

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。