論文の概要: Bayesian Sequential Stacking Algorithm for Concurrently Designing
Molecules and Synthetic Reaction Networks
- arxiv url: http://arxiv.org/abs/2204.01847v1
- Date: Tue, 1 Mar 2022 14:55:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-23 09:56:39.372266
- Title: Bayesian Sequential Stacking Algorithm for Concurrently Designing
Molecules and Synthetic Reaction Networks
- Title（参考訳）: 分子と合成反応ネットワークを同時に設計するベイズ逐次積み重ねアルゴリズム
- Authors: Qi Zhang, Chang Liu, Stephen Wu and Ryo Yoshida
- Abstract要約: 単段反応を構築することで合成反応ネットワークを逐次設計する強力なモンテカルロアルゴリズムを提案する。
市販化合物を原料とした薬物様分子の設計事例において, 提案手法は計算効率と適用範囲において圧倒的な性能を示した。
- 参考スコア（独自算出の注目度）: 11.787915018281897
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the last few years, de novo molecular design using machine learning has
made great technical progress but its practical deployment has not been as
successful. This is mostly owing to the cost and technical difficulty of
synthesizing such computationally designed molecules. To overcome such
barriers, various methods for synthetic route design using deep neural networks
have been studied intensively in recent years. However, little progress has
been made in designing molecules and their synthetic routes simultaneously.
Here, we formulate the problem of simultaneously designing molecules with the
desired set of properties and their synthetic routes within the framework of
Bayesian inference. The design variables consist of a set of reactants in a
reaction network and its network topology. The design space is extremely large
because it consists of all combinations of purchasable reactants, often in the
order of millions or more. In addition, the designed reaction networks can
adopt any topology beyond simple multistep linear reaction routes. To solve
this hard combinatorial problem, we present a powerful sequential Monte Carlo
algorithm that recursively designs a synthetic reaction network by sequentially
building up single-step reactions. In a case study of designing drug-like
molecules based on commercially available compounds, compared with heuristic
combinatorial search methods, the proposed method shows overwhelming
performance in terms of computational efficiency and coverage and novelty with
respect to existing compounds.
- Abstract（参考訳）: ここ数年、機械学習を用いたデノボ分子設計は大きな技術的進歩を遂げてきたが、実際的な展開は成功しなかった。
これは、計算的に設計された分子を合成するコストと技術的困難のためである。
このような障壁を克服するため,近年,ディープニューラルネットワークを用いた合成経路設計手法が集中的に研究されている。
しかし、分子とその合成経路を同時に設計することにはほとんど進展がない。
そこで,我々はベイズ推論の枠組みにおいて,望ましい性質集合とそれらの合成経路を持つ分子を同時に設計する問題を定式化する。
設計変数は、反応ネットワークとそのネットワークトポロジーにおける一連の反応物からなる。
設計空間は、しばしば数百万以上の順序で、購入可能な反応剤の全ての組み合わせから成るため、非常に大きい。
さらに、設計された反応ネットワークは、単純な多段階線形反応経路を超える任意のトポロジーを適用できる。
この難解な組合せ問題を解くために、単段階反応を逐次構築して合成反応ネットワークを再帰的に設計する強力なモンテカルロアルゴリズムを提案する。
市販化合物に基づく医薬品様分子の設計を,ヒューリスティックコンビネート探索法と比較したケーススタディにおいて,提案手法は既存の化合物に対する計算効率,カバレッジ,新規性において圧倒的な性能を示した。
関連論文リスト
- GraphXForm: Graph transformer for computer-aided molecular design with application to extraction [73.1842164721868]
本稿では,デコーダのみのグラフトランスフォーマアーキテクチャであるGraphXFormについて述べる。
液液抽出のための2つの溶媒設計課題について評価し,4つの最先端分子設計技術より優れていることを示した。
論文 参考訳（メタデータ） (2024-11-03T19:45:15Z) - SynFlowNet: Design of Diverse and Novel Molecules with Synthesis Constraints [16.21161274235011]
反応空間が化学反応と購入可能な反応剤を用いて新しい分子を逐次構築するGFlowNetモデルであるSynFlowNetを紹介する。
生成機構の明示的な制約としてフォワード合成を取り入れることで、シリコン分子生成と実世界の合成能力のギャップを埋めることを目指す。
論文 参考訳（メタデータ） (2024-05-02T10:15:59Z) - Finding Optimal Pathways in Chemical Reaction Networks Using Ising
Machines [0.40792653193642503]
化学反応ネットワークにおける最適経路の発見は、化学プロセスの解明と設計に不可欠である。
爆発により、最適な経路を見つけるのに必要な時間は、ネットワークサイズとともに指数関数的に増加する。
化学経路フィニング問題に対する最初のIsing/Quantum計算応用について述べる。
論文 参考訳（メタデータ） (2023-08-08T19:22:54Z) - Optimizing Tensor Network Contraction Using Reinforcement Learning [86.05566365115729]
本稿では,グラフニューラルネットワーク(GNN)と組み合わせた強化学習(RL)手法を提案する。
この問題は、巨大な検索スペース、重い尾の報酬分布、そして困難なクレジット割り当てのために非常に難しい。
GNNを基本方針として利用するRLエージェントが,これらの課題にどのように対処できるかを示す。
論文 参考訳（メタデータ） (2022-04-18T21:45:13Z) - Simulation Paths for Quantum Circuit Simulation with Decision Diagrams [72.03286471602073]
決定図を用いて量子回路をシミュレートする際に選択される経路の重要性について検討する。
我々は、専用のシミュレーションパスを調査できるオープンソースのフレームワークを提案する。
論文 参考訳（メタデータ） (2022-03-01T19:00:11Z) - Amortized Tree Generation for Bottom-up Synthesis Planning and
Synthesizable Molecular Design [2.17167311150369]
ターゲット分子の埋め込みを条件としたマルコフ決定過程として,合成経路を生成するための償却アプローチを報告した。
提案手法により,最適化された条件付き符号からデコードすることで,ボトムアップ方式で合成計画を実行し,合成可能な分子を設計することができる。
論文 参考訳（メタデータ） (2021-10-12T22:43:25Z) - Self-Improved Retrosynthetic Planning [66.5397931294144]
再合成計画(Retrosynthetic Planning)は、標的分子を合成する反応の経路を見つけるための化学の基本的な問題である。
最近の検索アルゴリズムは、ディープニューラルネットワーク(DNN)を用いてこの問題を解決するための有望な結果を示している。
そこで本研究では,DNNを直接訓練し,望ましい特性を持つ反応経路を生成するためのエンドツーエンドフレームワークを提案する。
論文 参考訳（メタデータ） (2021-06-09T08:03:57Z) - Learning To Navigate The Synthetically Accessible Chemical Space Using
Reinforcement Learning [75.95376096628135]
ド・ノボ薬物設計のための強化学習(RL)を利用した新しい前方合成フレームワークを提案する。
このセットアップでは、エージェントは巨大な合成可能な化学空間をナビゲートする。
本研究は,合成可能な化学空間を根本的に拡張する上で,エンド・ツー・エンド・トレーニングが重要なパラダイムであることを示す。
論文 参考訳（メタデータ） (2020-04-26T21:40:03Z) - Deep Molecular Programming: A Natural Implementation of Binary-Weight
ReLU Neural Networks [7.700240949386079]
本稿では,シリコで訓練されたBinaryConnectニューラルネットワークを等価な化学反応ネットワークにコンパイルする方法を示す。
私たちの研究は、ニューラルネットワークと分子プログラミングコミュニティ間の豊富な知識伝達のステージを設定します。
論文 参考訳（メタデータ） (2020-03-30T18:12:11Z) - A Bayesian algorithm for retrosynthesis [3.1092085121563526]
本研究は、所望の分子から市販化合物への合成経路を後方に発見することを目的とする。
深層ニューラルネットワークは、与えられた反応物の生成物を高い精度で前方に予測するように訓練される。
後方モデルを用いて, モンテカルロ探索を用いて, 与えられた合成ターゲットに終止符を打つ多種多様な反応系列を網羅的に探索した。
論文 参考訳（メタデータ） (2020-03-06T13:30:30Z) - Retrosynthesis Prediction with Conditional Graph Logic Network [118.70437805407728]
コンピュータ支援のレトロシンセシスは、化学と計算機科学の双方から新たな関心を集めている。
本稿では,グラフニューラルネットワーク上に構築された条件付きグラフィカルモデルであるConditional Graph Logic Networkを用いて,この課題に対する新しいアプローチを提案する。
論文 参考訳（メタデータ） (2020-01-06T05:36:57Z)
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。