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

• Bridging Text and Molecule: A Survey on Multimodal Frameworks for Molecule [16.641797535842752]
  本稿では,分子研究のためのマルチモーダルフレームワークに関する最初の体系的研究について述べる。 分子深層学習の発展から始まり、テキストモダリティの関与の必要性を指摘する。 さらに, 大規模言語モデルの利用, 分子課題の促進, 創薬における重要な応用について検討した。
  論文  参考訳（メタデータ） (2024-03-07T03:03:13Z)
• Leveraging Biomolecule and Natural Language through Multi-Modal Learning: A Survey [75.47055414002571]
  生物分子モデリングと自然言語(BL)の統合は、人工知能、化学、生物学の交差点において有望な学際領域として現れてきた。 生体分子と自然言語の相互モデリングによって達成された最近の進歩について分析する。
  論文  参考訳（メタデータ） (2024-03-03T14:59:47Z)
• Scientific Language Modeling: A Quantitative Review of Large Language Models in Molecular Science [27.874571056109758]
  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アプローチを提供する。 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。 我々の先駆的な分析は、学習メカニズムを探求し、分子科学におけるSLMの進歩の道を開くものである。
  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)
• 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)
• Towards Predicting Equilibrium Distributions for Molecular Systems with Deep Learning [60.02391969049972]
  本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。 DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
  論文  参考訳（メタデータ） (2023-06-08T17:12:08Z)
• 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。