Fugu-MT 論文翻訳(概要): MolNet: A Chemically Intuitive Graph Neural Network for Prediction of Molecular Properties

論文の概要: MolNet: A Chemically Intuitive Graph Neural Network for Prediction of Molecular Properties

arxiv url: http://arxiv.org/abs/2203.09456v1
Date: Tue, 1 Feb 2022 20:47:28 GMT
ステータス: 処理完了
システム内更新日: 2023-02-27 02:59:36.761174
Title: MolNet: A Chemically Intuitive Graph Neural Network for Prediction of Molecular Properties
Title（参考訳）: MolNet:分子特性予測のための化学直観型グラフニューラルネットワーク
Authors: Yeji Kim, Yoonho Jeong, Jihoo Kim, Eok Kyun Lee, Won June Kim, and Insung S. Choi
Abstract要約: グラフニューラルネットワーク(GNN)は、化学領域における強力なディープラーニングツールである。 MolNetモデルは化学的に直感的であり、分子内の3D非結合情報を調節する。 MolNetは、BACEデータセットの分類タスクとESOLデータセットの回帰タスクで最先端のパフォーマンスを提供する。
参考スコア（独自算出の注目度）: 1.231476564107544
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The graph neural network (GNN) has been a powerful deep-learning tool in chemistry domain, due to its close connection with molecular graphs. Most GNN models collect and update atom and molecule features from the fed atom (and, in some cases, bond) features, which are basically based on the two-dimensional (2D) graph representation of 3D molecules. Correspondingly, the adjacency matrix, containing the information on covalent bonds, or equivalent data structures (e.g., lists) have been the main core in the feature-updating processes, such as graph convolution. However, the 2D-based models do not faithfully represent 3D molecules and their physicochemical properties, exemplified by the overlooked field effect that is a "through-space" effect, not a "through-bond" effect. The GNN model proposed herein, denoted as MolNet, is chemically intuitive, accommodating the 3D non-bond information in a molecule, with a noncovalent adjacency matrix $\bf{\bar A}$, and also bond-strength information from a weighted bond matrix $\bf{B}$. The noncovalent atoms, not directly bonded to a given atom in a molecule, are identified within 5 $\unicode{x212B}$ of cut-off range for the construction of $\bf{\bar A}$, and $\bf{B}$ has edge weights of 1, 1.5, 2, and 3 for single, aromatic, double, and triple bonds, respectively. Comparative studies show that MolNet outperforms various baseline GNN models and gives a state-of-the-art performance in the classification task of BACE dataset and regression task of ESOL dataset. This work suggests a future direction of deep-learning chemistry in the construction of deep-learning models that are chemically intuitive and comparable with the existing chemistry concepts and tools.
Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、分子グラフと密接な関係にあるため、化学領域における強力なディープラーニングツールである。ほとんどのGNNモデルは、基本的に3D分子の2次元グラフ表現に基づく、供給された原子(および場合によっては結合)の特徴から原子と分子の特徴を収集し、更新する。それに対応して、共有結合や等価データ構造(例えばリスト)に関する情報を含む隣接行列は、グラフ畳み込みのような機能更新プロセスの主要なコアとなっている。しかし、2Dベースのモデルは、3D分子とその物理化学的性質を忠実に表現せず、「スルー・ボンド」効果ではなく「スルー・スペース」効果である見過ごされた場効果によって例示される。ここで提案されているgnnモデルは、分子内の3d非結合情報と非共有結合性行列 $\bf{\bar a}$ および重み付き結合行列 $\bf{b}$ からの結合強度情報とを包含して、化学的に直感的である。分子内の所定の原子に直接結合しない非共有結合原子は、それぞれ1, 1.5, 2, 3のエッジ重みを持ち、それぞれ1, 1.5, 2, 3の単結合、芳香族結合、二重結合、三重結合を構成するために5$\unicode{x212b}$のカットオフ範囲内で同定される。比較研究により、MorNetは様々なベースラインGNNモデルより優れており、BACEデータセットの分類タスクとESOLデータセットの回帰タスクにおいて最先端のパフォーマンスを提供することが示された。この研究は、化学的に直感的で既存の化学概念やツールに匹敵する深層学習モデルの構築における深層学習化学の今後の方向性を示唆している。

関連論文リスト

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)
Learning Universal and Robust 3D Molecular Representations with Graph Convolutional Networks [19.647002925751774]
本稿では,3次元分子のグラフ表現に基づく汎用かつ堅牢な指向性ノードペア(DNP)記述法を提案する。我々のDNP記述子は、以前のものと比べて頑丈であり、複数の分子タイプに適用できる。本稿では,ロバスト分子グラフ畳み込みネットワーク(RoM-GCN)を構築し,ノードとエッジの両方の特徴を考慮に入れた。
論文参考訳（メタデータ） (2023-07-24T02:50:19Z)
Automated 3D Pre-Training for Molecular Property Prediction [54.15788181794094]
新たな3D事前学習フレームワーク(3D PGT)を提案する。 3D分子グラフのモデルを事前訓練し、3D構造のない分子グラフに微調整する。提案した3次元PGTの精度, 効率, 一般化能力を示すために, 2次元分子グラフの大規模実験を行った。
論文参考訳（メタデータ） (2023-06-13T14:43:13Z)
Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [55.42602325017405]
本稿では,分子の2レベル構造を考慮した新しいGODE法を提案する。異なるグラフ構造上で2つのグラフニューラルネットワーク(GNN)を事前訓練し、対照的な学習と組み合わせることで、GODEは分子構造を対応する知識グラフサブ構造と融合させる。 11の化学特性タスクを微調整した場合、我々のモデルは既存のベンチマークよりも優れており、分類タスクの平均ROC-AUCアップリフトは13.8%、回帰タスクの平均RMSE/MAEエンハンスメントは35.1%である。
論文参考訳（メタデータ） (2023-06-02T15:49:45Z)
Atomic and Subgraph-aware Bilateral Aggregation for Molecular Representation Learning [57.670845619155195]
我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。 ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
論文参考訳（メタデータ） (2023-05-22T00:56:00Z)
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)
Incompleteness of graph convolutional neural networks for points clouds in three dimensions [0.0]
3次元原子雲によって誘導されるグラフの制限された場合においても、dGCNNは完全ではないことを示す。我々は、任意のカットオフ半径に対して、一階ワイスフェイラー・リーマン検定に基づいて等価であるグラフを生成する異なる点雲のペアを構築する。
論文参考訳（メタデータ） (2022-01-18T17:18:26Z)
Learning 3D Representations of Molecular Chirality with Invariance to Bond Rotations [2.17167311150369]
3次元分子コンバータのねじれ角を処理するSE(3)不変モデルを設計する。本研究では, 学習空間における異なる立体異性体のコンホメータを識別するコントラスト学習, キラル中心をR/Sに分類する学習, エンテロマーが円偏光でどのように回転するかの予測, タンパクポケット内のドッキングスコアによるエナンチオマーのランキングの4つのベンチマークを用いて実験を行った。
論文参考訳（メタデータ） (2021-10-08T21:25:47Z)
MolCLR: Molecular Contrastive Learning of Representations via Graph Neural Networks [11.994553575596228]
MolCLRは、大規模なラベルなしの分子データセットのための自己監視学習フレームワークです。原子マスキング、結合除去、サブグラフ除去の3つの新しい分子グラフ増強法を提案する。提案手法は,多くの挑戦的データセットに対して最先端の性能を実現する。
論文参考訳（メタデータ） (2021-02-19T17:35:18Z)
Molecular Mechanics-Driven Graph Neural Network with Multiplex Graph for Molecular Structures [20.276492931562036]
この課題に対処するために、グラフニューラルネットワーク(GNN)の数が増えている。本研究では,分子構造に対して強力かつ効率の良いGNNを設計することを目的とする。多重分子グラフニューラルネットワーク(MXMNet)の構築
論文参考訳（メタデータ） (2020-11-15T05:55:15Z)

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。