論文の概要: MGCVAE: Multi-objective Inverse Design via Molecular Graph Conditional
Variational Autoencoder
- arxiv url: http://arxiv.org/abs/2202.07476v1
- Date: Mon, 14 Feb 2022 14:33:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-16 16:08:05.183322
- Title: MGCVAE: Multi-objective Inverse Design via Molecular Graph Conditional
Variational Autoencoder
- Title(参考訳): MGCVAE:分子グラフ条件変分オートエンコーダによる多目的逆設計
- Authors: Myeonghun Lee and Kyoungmin Min
- Abstract要約: 本研究では,デノボ設計のためのオートエンコーダに基づく分子グラフ生成モデルを提案する。
結果: MGCVAEでは25.89%の最適化された分子が生成され, MGVAEでは0.66%であった。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The ultimate goal of various fields is to directly generate molecules with
desired properties, such as finding water-soluble molecules in drug development
and finding molecules suitable for organic light-emitting diode (OLED) or
photosensitizers in the field of development of new organic materials. In this
respect, this study proposes a molecular graph generative model based on the
autoencoder for de novo design. The performance of molecular graph conditional
variational autoencoder (MGCVAE) for generating molecules having specific
desired properties is investigated by comparing it to molecular graph
variational autoencoder (MGVAE). Furthermore, multi-objective optimization for
MGCVAE was applied to satisfy two selected properties simultaneously. In this
study, two physical properties -- logP and molar refractivity -- were used as
optimization targets for the purpose of designing de novo molecules, especially
in drug discovery. As a result, it was confirmed that among generated
molecules, 25.89% optimized molecules were generated in MGCVAE compared to
0.66% in MGVAE. Hence, it demonstrates that MGCVAE effectively produced
drug-like molecules with two target properties. The results of this study
suggest that these graph-based data-driven models are one of the effective
methods of designing new molecules that fulfill various physical properties,
such as drug discovery.
- Abstract(参考訳): 様々な分野の最終的な目標は、医薬品開発における水溶性分子の発見や、有機発光ダイオード(oled)や光増感剤に適した分子の発見など、望ましい性質を持つ分子を直接生成することである。
そこで本研究では,de novo設計のためのオートエンコーダに基づく分子グラフ生成モデルを提案する。
特定の特性を有する分子を生成するための分子グラフ条件変動オートエンコーダ(mgcvae)の性能を分子グラフ変動オートエンコーダ(mgvae)と比較した。
さらに, MGCVAEの多目的最適化を適用し, 2つの特性を同時に満たした。
本研究では,特に薬物発見において,de novo分子の設計を目的とした最適化目標として,logpとmolarの2つの物理特性を用いた。
その結果、MGCVAEでは25.89%の最適化された分子が生成され、MGVAEでは0.66%であった。
したがって、MGCVAEは2つの標的特性を持つ薬物様分子を効果的に生成することを示した。
本研究は,これらのグラフに基づくデータ駆動モデルが,創薬などの物理特性を満たす新しい分子を設計するための有効な手法の1つであることを示唆する。
関連論文リスト
- Knowledge-aware contrastive heterogeneous molecular graph learning [77.94721384862699]
分子グラフを不均一な分子グラフ学習(KCHML)に符号化するパラダイムシフトを提案する。
KCHMLは、不均一な分子グラフと二重メッセージパッシング機構によって強化された3つの異なるグラフビュー-分子、元素、薬理学-を通して分子を概念化する。
この設計は、プロパティ予測やドラッグ・ドラッグ・インタラクション(DDI)予測などの下流タスクに対する包括的な表現を提供する。
論文 参考訳(メタデータ) (2025-02-17T11:53:58Z) - MultiModal-Learning for Predicting Molecular Properties: A Framework Based on Image and Graph Structures [2.5563339057415218]
MolIGは、画像とグラフ構造に基づいて分子特性を予測するための、新しいMultiModaL分子事前学習フレームワークである。
両者の分子表現の強さを融合させる。
ベンチマークグループ内の分子特性予測に関連する下流タスクでは、パフォーマンスが向上する。
論文 参考訳(メタデータ) (2023-11-28T10:28:35Z) - Diffusing on Two Levels and Optimizing for Multiple Properties: A Novel
Approach to Generating Molecules with Desirable Properties [33.2976176283611]
本稿では,分子を望ましい性質で生成する新しい手法を提案する。
望ましい分子断片を得るため,我々は新しい電子効果に基づくフラグメンテーション法を開発した。
提案手法により生成する分子は, 従来のSOTAモデルより有効, 特異性, 新規性, Fr'echet ChemNet Distance (FCD), QED, PlogP を有することを示す。
論文 参考訳(メタデータ) (2023-10-05T11:43:21Z) - Molecule Design by Latent Space Energy-Based Modeling and Gradual
Distribution Shifting [53.44684898432997]
化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。
本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。
本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
論文 参考訳(メタデータ) (2023-06-09T03:04:21Z) - Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [68.32093648671496]
分子に固有の二重レベル構造を考慮に入れたGODEを導入する。
分子は固有のグラフ構造を持ち、より広い分子知識グラフ内のノードとして機能する。
異なるグラフ構造上の2つのGNNを事前学習することにより、GODEは対応する知識グラフサブ構造と分子構造を効果的に融合させる。
論文 参考訳(メタデータ) (2023-06-02T15:49:45Z) - 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) - Interpretable Molecular Graph Generation via Monotonic Constraints [19.401468196146336]
ディープグラフ生成モデルは、分子設計をグラフ生成問題として扱う。
既存のモデルには多くの欠点があり、解釈性や所望の分子特性に対する制御性が低い。
本稿では,分子生成の解釈可能なモデルと深層制御可能なモデルを用いた新しい手法を提案する。
論文 参考訳(メタデータ) (2022-02-28T08:35:56Z) - Augmenting Molecular Deep Generative Models with Topological Data
Analysis Representations [21.237758981760784]
分子のトポロジカルデータ解析(TDA)表現を付加したSMILES変分自動エンコーダ(VAE)を提案する。
実験の結果, このTDA拡張により, SMILES VAEは3次元幾何学と電子特性の複雑な関係を捉えることができることがわかった。
論文 参考訳(メタデータ) (2021-06-08T15:49:21Z) - 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) - Conditional Constrained Graph Variational Autoencoders for Molecule
Design [70.59828655929194]
本稿では、このキーイデアを最先端のモデルで実装した、条件制約付きグラフ変分オートエンコーダ(CCGVAE)を提案する。
分子生成のために広く採用されている2つのデータセットについて、いくつかの評価指標について改善した結果を示す。
論文 参考訳(メタデータ) (2020-09-01T21:58:07Z)
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。