論文の概要: MolGenSurvey: A Systematic Survey in Machine Learning Models for Molecule Design

• arxiv url: http://arxiv.org/abs/2203.14500v1
• Date: Mon, 28 Mar 2022 05:05:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-29 17:44:56.699756
• Title: MolGenSurvey: A Systematic Survey in Machine Learning Models for Molecule Design
• Title（参考訳）: MolGenSurvey: 分子設計のための機械学習モデルに関するシステム調査
• Authors: Yuanqi Du, Tianfan Fu, Jimeng Sun, Shengchao Liu
• Abstract要約: 大きな探索空間のため、人間の専門家は湿式実験で全ての分子を列挙してテストすることは不可能である。 機械学習手法の急速な開発により、分子設計は機械学習モデルを利用して候補分子を生成することで大きな進歩を遂げた。
• 参考スコア（独自算出の注目度）: 46.06839497430207
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Molecule design is a fundamental problem in molecular science and has critical applications in a variety of areas, such as drug discovery, material science, etc. However, due to the large searching space, it is impossible for human experts to enumerate and test all molecules in wet-lab experiments. Recently, with the rapid development of machine learning methods, especially generative methods, molecule design has achieved great progress by leveraging machine learning models to generate candidate molecules. In this paper, we systematically review the most relevant work in machine learning models for molecule design. We start with a brief review of the mainstream molecule featurization and representation methods (including 1D string, 2D graph, and 3D geometry) and general generative methods (deep generative and combinatorial optimization methods). Then we summarize all the existing molecule design problems into several venues according to the problem setup, including input, output types and goals. Finally, we conclude with the open challenges and point out future opportunities of machine learning models for molecule design in real-world applications.
• Abstract（参考訳）: 分子設計は分子科学における根本的な問題であり、創薬、物質科学など様々な分野において重要な応用がある。 しかし、大規模な探索空間のため、人間の専門家が湿式実験で全ての分子を列挙してテストすることは不可能である。 近年,機械学習手法,特に生成手法の急速な発展に伴い,分子設計は機械学習モデルを利用して候補分子を生成することで大きな進歩を遂げている。 本稿では、分子設計のための機械学習モデルにおける最も関連する研究を体系的に概観する。 まず,1d文字列,2dグラフ,3dジオメトリを含む,メインストリーム分子の成熟・表現法と一般生成法(深部生成法と組合せ最適化法)について概観する。 次に、既存の分子設計問題をすべて、入力、出力タイプ、目標を含む問題設定に従って複数の場所にまとめる。 最後に、オープンチャレンジで締めくくり、現実世界のアプリケーションにおける分子設計のための機械学習モデルの将来の機会を指摘した。

関連論文リスト

• UniIF: Unified Molecule Inverse Folding [67.60267592514381]
  全分子の逆折り畳みのための統一モデルUniIFを提案する。 提案手法は,全タスクにおける最先端手法を超越した手法である。
  論文  参考訳（メタデータ） (2024-05-29T10:26:16Z)
• Navigating Chemical Space with Latent Flows [20.95884505685799]
  本稿では,分子生成モデルによって学習された潜伏空間をフローを通して移動させることにより,化学空間を横断する新しいフレームワークであるChemFlowを提案する。 我々は,分子操作におけるChemFlowの有効性と,教師なしおよび教師なしの両方の分子発見条件下での単目的および多目的最適化タスクの有効性を検証した。
  論文  参考訳（メタデータ） (2024-05-07T03:55:57Z)
• A Universal Framework for Accurate and Efficient Geometric Deep Learning of Molecular Systems [19.268713909099507]
  PAMNetは、どんな分子系でも様々な大きさの3D分子の表現を学習するための普遍的なフレームワークである。 分子力学にインスパイアされたPAMNetは、局所的および非局所的相互作用とそれらの結合効果を明示的にモデル化するために、物理インフォームドバイアスを誘導する。 ベンチマーク研究において、PAMNetは3つの多様な学習タスクにおいて、正確性と効率の両面で最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2023-11-19T04:52:05Z)
• 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)
• Hybrid Quantum Generative Adversarial Networks for Molecular Simulation and Drug Discovery [13.544339314714902]
  現在の古典的な計算力は、小さな分子以上をシミュレートするには不十分である。 毎年数十億ドルが研究に費やされている。 グラフ構造化データの深い生成モデルは、化学合成の問題に新たな視点を与えてくれる。
  論文  参考訳（メタデータ） (2022-12-15T13:36:35Z)
• Scalable Fragment-Based 3D Molecular Design with Reinforcement Learning [68.8204255655161]
  分子構築に階層的エージェントを用いるスケーラブルな3D設計のための新しいフレームワークを提案する。 様々な実験において、エネルギーのみを考慮に入れたエージェントが、100以上の原子を持つ分子を効率よく生成できることが示されている。
  論文  参考訳（メタデータ） (2022-02-01T18:54:24Z)
• 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。