論文の概要: Molecule Generation for Drug Design: a Graph Learning Perspective
- arxiv url: http://arxiv.org/abs/2202.09212v2
- Date: Tue, 9 Jan 2024 04:56:34 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-10 23:25:42.064372
- Title: Molecule Generation for Drug Design: a Graph Learning Perspective
- Title（参考訳）: 薬物設計のための分子生成--グラフ学習の視点から
- Authors: Nianzu Yang, Huaijin Wu, Kaipeng Zeng, Yang Li, Junchi Yan
- Abstract要約: 機械学習、特にグラフ学習は、さまざまな分野にまたがるトランスフォーメーションの影響で認知度が高まっている。
そのような有望な応用の1つは分子設計と発見の領域、特に製薬業界における。
本調査では,分子設計における最先端手法,特に深度グラフ学習技術を取り入れたEmphde novo薬物設計について概観する。
- 参考スコア（独自算出の注目度）: 49.8071944694075
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning, particularly graph learning, is gaining increasing
recognition for its transformative impact across various fields. One such
promising application is in the realm of molecule design and discovery, notably
within the pharmaceutical industry. Our survey offers a comprehensive overview
of state-of-the-art methods in molecule design, particularly focusing on
\emph{de novo} drug design, which incorporates (deep) graph learning
techniques. We categorize these methods into three distinct groups: \emph{i)}
\emph{all-at-once}, \emph{ii)} \emph{fragment-based}, and \emph{iii)}
\emph{node-by-node}. Additionally, we introduce some key public datasets and
outline the commonly used evaluation metrics for both the generation and
optimization of molecules. In the end, we discuss the existing challenges in
this field and suggest potential directions for future research.
- Abstract（参考訳）: 機械学習、特にグラフ学習は、さまざまな分野にまたがる変革的影響に対する認識が高まっている。
そのような有望な応用の1つは分子設計と発見の領域、特に製薬業界における。
本稿では,分子設計における最先端の手法の概観,特に(深い)グラフ学習技術を取り入れた<emph{de novo}薬物設計に焦点をあてた。
emph{i)} \emph{all-at-once}, \emph{ii} \emph{fragment-based}, \emph{iii)} \emph{node-by-node} の3つの異なるグループに分類する。
さらに,重要な公開データセットをいくつか紹介し,分子の生成と最適化に共通する評価指標を概説する。
最後に,本分野における課題について考察し,今後の研究の方向性を提案する。
関連論文リスト
- FineMolTex: Towards Fine-grained Molecular Graph-Text Pre-training [36.130217091969335]
FineMolTexは、粗い分子レベルの知識ときめ細かいモチーフレベルの知識を共同で学習する、分子グラフ-テキスト事前学習フレームワークである。
我々は3つの下流タスクに対して実験を行い、テキストベースの分子編集タスクにおいて最大230%の改善を実現した。
論文 参考訳（メタデータ） (2024-09-21T11:19:15Z) - Atomas: Hierarchical Alignment on Molecule-Text for Unified Molecule Understanding and Generation [42.08917809689811]
SMILES文字列とテキストから表現を共同学習するマルチモーダルな分子表現学習フレームワークAtomasを提案する。
検索タスクでは、Atomasは堅牢な一般化能力を示し、ベースラインを平均30.8%上回っている。
生成タスクでは、Atomasは分子キャプションタスクと分子生成タスクの両方で最先端の結果を達成する。
論文 参考訳（メタデータ） (2024-04-23T12:35:44Z) - 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) - 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) - Graph-based Molecular Representation Learning [59.06193431883431]
分子表現学習(MRL)は、機械学習と化学科学を結びつけるための重要なステップである。
近年、MRLは、特に深層分子グラフ学習に基づく手法において、かなりの進歩を遂げている。
論文 参考訳（メタデータ） (2022-07-08T17:43:20Z) - Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。
2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。
提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
論文 参考訳（メタデータ） (2021-12-23T12:17:47Z) - Advanced Graph and Sequence Neural Networks for Molecular Property
Prediction and Drug Discovery [53.00288162642151]
計算モデルや分子表現にまたがる包括的な機械学習ツール群であるMoleculeKitを開発した。
これらの表現に基づいて構築されたMoeculeKitには、ディープラーニングと、グラフとシーケンスデータのための従来の機械学習方法の両方が含まれている。
オンラインおよびオフラインの抗生物質発見と分子特性予測のタスクの結果から、MoneculeKitは以前の方法よりも一貫した改善を実現していることがわかる。
論文 参考訳（メタデータ） (2020-12-02T02:09:31Z)
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。