論文の概要: Knowledge-informed Molecular Learning: A Survey on Paradigm Transfer

• arxiv url: http://arxiv.org/abs/2202.10587v2
• Date: Tue, 5 Sep 2023 10:46:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-07 12:25:24.865010
• Title: Knowledge-informed Molecular Learning: A Survey on Paradigm Transfer
• Title（参考訳）: 知識インフォームド分子学習:パラダイム伝達に関する調査
• Authors: Yin Fang, Zhuo Chen, Xiaohui Fan and Ningyu Zhang
• Abstract要約: 機械学習、特にディープラーニングは、生化学領域における分子研究を著しく推進している。 伝統的に、そのような研究のためのモデリングは、いくつかのパラダイムを中心に行われてきた。 純粋にデータ駆動モデルの生成と解読性を高めるため、研究者はこれらの分子研究モデルに生化学的ドメイン知識を組み込んだ。
• 参考スコア（独自算出の注目度）: 20.893861195128643
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning, notably deep learning, has significantly propelled molecular investigations within the biochemical sphere. Traditionally, modeling for such research has centered around a handful of paradigms. For instance, the prediction paradigm is frequently deployed for tasks such as molecular property prediction. To enhance the generation and decipherability of purely data-driven models, scholars have integrated biochemical domain knowledge into these molecular study models. This integration has sparked a surge in paradigm transfer, which is solving one molecular learning task by reformulating it as another one. With the emergence of Large Language Models, these paradigms have demonstrated an escalating trend towards harmonized unification. In this work, we delineate a literature survey focused on knowledge-informed molecular learning from the perspective of paradigm transfer. We classify the paradigms, scrutinize their methodologies, and dissect the contribution of domain knowledge. Moreover, we encapsulate prevailing trends and identify intriguing avenues for future exploration in molecular learning.
• Abstract（参考訳）: 機械学習、特にディープラーニングは、生化学領域における分子研究を著しく推進している。 伝統的に、このような研究のモデリングはいくつかのパラダイムを中心に行われてきた。 例えば、予測パラダイムは分子特性予測のようなタスクに対して頻繁にデプロイされる。 純粋データ駆動モデルの生成と解読性を高めるため、研究者は生化学的ドメイン知識をこれらの分子研究モデルに統合した。 この統合によってパラダイムトランスファーが急増し、ある分子学習タスクを別の分子として再構成することで解決している。 大規模言語モデルの出現に伴い、これらのパラダイムは調和化された統一へのエスカレーション傾向を示した。 本研究では,パラダイム伝達の観点から,知識インフォームド分子学習に着目した文献調査を概説する。 パラダイムを分類し、方法論を精査し、ドメイン知識の貢献を解剖します。 さらに, 普及傾向をカプセル化し, 今後の分子学習への興味をそそる道筋を明らかにした。

関連論文リスト

• Mol-LLaMA: Towards General Understanding of Molecules in Large Molecular Language Model [55.87790704067848]
  Mol-LLaMAは、分子を中心とした一般的な知識をマルチモーダル命令チューニングによって把握する大規模な分子言語モデルである。 分子の特徴の理解を深めるために,異なる分子エンコーダの相補的な情報を統合するモジュールを導入する。
  論文  参考訳（メタデータ） (2025-02-19T05:49:10Z)
• 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)
• Diffusion Models for Molecules: A Survey of Methods and Tasks [56.44565051667812]
  分子に関する生成タスクは、薬物の発見と材料設計に不可欠である。 拡散モデルは、深い生成モデルの印象的なクラスとして現れている。 本稿では拡散モデルに基づく分子生成法について包括的に調査する。
  論文  参考訳（メタデータ） (2025-02-13T17:22:50Z)
• A quantitative analysis of knowledge-learning preferences in large language models in molecular science [24.80165173525286]
  大規模言語モデル(LLM)は、自然言語処理(NLP)の観点から科学的問題に取り組むための新しい研究パラダイムを導入している。 LLMは分子の理解と生成を著しく強化し、しばしば複雑な分子パターンをデコードし合成する能力で既存の手法を超越している。 我々は、ChEBI-20-MMというマルチモーダルベンチマークを提案し、モデルとデータモダリティとの互換性と知識獲得を評価する1263の実験を行った。
  論文  参考訳（メタデータ） (2024-02-06T16:12:36Z)
• Interactive Molecular Discovery with Natural Language [69.89287960545903]
  対象分子を記述・編集するための自然言語を用いた対話型分子設計を提案する。 この課題をより良くするために、実験プロパティ情報を注入することによって強化された知識的で汎用的な生成事前学習モデルChatMolを設計する。
  論文  参考訳（メタデータ） (2023-06-21T02:05:48Z)
• A Molecular Multimodal Foundation Model Associating Molecule Graphs with Natural Language [63.60376252491507]
  本稿では,分子グラフとその意味的関連テキストデータから事前学習した分子マルチモーダル基礎モデルを提案する。 我々のモデルは、生物学、化学、材料、環境、医学などの分野において、AIを動力とする分野に幅広い影響を与えるだろうと考えています。
  論文  参考訳（メタデータ） (2022-09-12T00:56:57Z)
• Generative Enriched Sequential Learning (ESL) Approach for Molecular Design via Augmented Domain Knowledge [1.4410716345002657]
  生成機械学習技術は、分子指紋表現に基づく新しい化学構造を生成することができる。 教師付きドメイン知識の欠如は、学習手順がトレーニングデータに見られる一般的な分子に相対的に偏っていることを誤解させる可能性がある。 この欠点は、例えば薬物類似度スコア(QED)の定量的推定など、ドメイン知識でトレーニングデータを増強することで軽減した。
  論文  参考訳（メタデータ） (2022-04-05T20:16:11Z)
• Geometric Deep Learning on Molecular Representations [0.0]
  Geometric Deep Learning (GDL)は、対称性情報を取り込んで処理するニューラルネットワークアーキテクチャに基づいている。 このレビューは、分子GDLの構造的および調和された概要を提供し、その薬物発見、化学合成予測、量子化学への応用を強調している。 学習された分子の特徴と、確立された分子記述子との相補性に重点を置いている。
  論文  参考訳（メタデータ） (2021-07-26T09:23:43Z)
• Learning Neural Generative Dynamics for Molecular Conformation Generation [89.03173504444415]
  分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。 分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-02-20T03:17:58Z)
• A Perspective on Deep Learning for Molecular Modeling and Simulations [8.891007063629187]
  分子物理学の観点から,従来のディープラーニングモデルの限界に注目した。 我々は、教師なしから教師なし、強化学習まで、いくつかの代表的な応用を要約した。 我々は、現在のディープ分子モデリングの枠組みにおける既存の問題に対処する上で役立つ有望な方向性を概観する。
  論文  参考訳（メタデータ） (2020-04-25T22:58:25Z)

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。