論文の概要: 3D pride without 2D prejudice: Bias-controlled multi-level generative
models for structure-based ligand design
- arxiv url: http://arxiv.org/abs/2204.10663v1
- Date: Fri, 22 Apr 2022 12:23:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-25 13:23:54.996556
- Title: 3D pride without 2D prejudice: Bias-controlled multi-level generative
models for structure-based ligand design
- Title(参考訳): 2次元偏見のない3次元プライド:構造ベースリガンド設計のためのバイアス制御多レベル生成モデル
- Authors: Lucian Chan, Rajendra Kumar, Marcel Verdonk and Carl Poelking
- Abstract要約: データスパーシリティとバイアスは、3D認識モデルの開発における2つの主要な障害である。
バイアス制御とデータ効率を改善するために,マルチレベルコントラスト学習に基づくファーストインキンドトレーニングプロトコルを提案する。
- 参考スコア(独自算出の注目度): 1.978587235008588
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative models for structure-based molecular design hold significant
promise for drug discovery, with the potential to speed up the hit-to-lead
development cycle, while improving the quality of drug candidates and reducing
costs. Data sparsity and bias are, however, two main roadblocks to the
development of 3D-aware models. Here we propose a first-in-kind training
protocol based on multi-level contrastive learning for improved bias control
and data efficiency. The framework leverages the large data resources available
for 2D generative modelling with datasets of ligand-protein complexes. The
result are hierarchical generative models that are topologically unbiased,
explainable and customizable. We show how, by deconvolving the generative
posterior into chemical, topological and structural context factors, we not
only avoid common pitfalls in the design and evaluation of generative models,
but furthermore gain detailed insight into the generative process itself. This
improved transparency significantly aids method development, besides allowing
fine-grained control over novelty vs familiarity.
- Abstract(参考訳): 構造に基づく分子設計の生成モデルは、ヒット・トゥ・リードの開発サイクルをスピードアップさせ、薬剤候補の品質を改善し、コストを削減できる可能性と共に、創薬において大きな可能性を秘めている。
しかし、データ空間とバイアスは、3D認識モデルの開発において2つの主要な障害となる。
本稿では、バイアス制御とデータ効率を改善するために、マルチレベルコントラスト学習に基づくファーストインキンドトレーニングプロトコルを提案する。
このフレームワークは、リガンド-タンパク質複合体のデータセットによる2次元生成モデリングで利用可能な巨大なデータ資源を活用する。
結果は、トポロジカルに偏りがなく、説明可能でカスタマイズ可能な階層的生成モデルである。
本研究では, 生成過程を化学, トポロジカル, 構造的文脈因子に分解することにより, 生成モデルの設計と評価における共通の落とし穴を回避できるだけでなく, 生成過程自体の詳細な洞察を得る方法を示す。
この透明性の向上はメソッド開発を著しく助け、新しさと親密性に対するきめ細かい制御を可能にする。
関連論文リスト
- A Generative Machine Learning Model for Material Microstructure 3D
Reconstruction and Performance Evaluation [4.169915659794567]
2次元から3次元への次元展開は、現在の技術的観点から非常に難しい逆問題と見なされている。
U-netのマルチスケール特性とGANの生成能力を統合する新しい生成モデルが提案されている。
さらに、画像正規化損失とワッサーシュタイン距離損失を組み合わせることにより、モデルの精度をさらに向上する。
論文 参考訳(メタデータ) (2024-02-24T13:42:34Z) - UniDream: Unifying Diffusion Priors for Relightable Text-to-3D
Generation [104.60008771175532]
We present UniDream, a text-to-3D generation framework by integration priors。
提案手法は,(1)アルベド正規配位型多視点拡散・再構成モデルを得るための2相学習プロセス,(2)訓練された再構成・拡散モデルを用いたスコア蒸留サンプル(SDS)に基づく幾何およびアルベドテクスチャのプログレッシブ生成手順,(3)安定拡散モデルに基づく固定アルベドを保ちながらPBR生成を確定するSDSの革新的な応用,の3つからなる。
論文 参考訳(メタデータ) (2023-12-14T09:07:37Z) - Learn to Optimize Denoising Scores for 3D Generation: A Unified and
Improved Diffusion Prior on NeRF and 3D Gaussian Splatting [60.393072253444934]
本稿では,3次元生成タスクの拡散先行性向上を目的とした統合フレームワークを提案する。
拡散先行と拡散モデルの訓練手順の相違を同定し、3次元生成の質を著しく損なう。
論文 参考訳(メタデータ) (2023-12-08T03:55:34Z) - Generative Structural Design Integrating BIM and Diffusion Model [4.619347136761891]
本研究では,ビルディング情報モデリング(BIM)をインテリジェントな構造設計に適用し,BIMと生成AIを統合した構造設計パイプラインを確立する。
人図作成のプロセスにインスパイアされた生成フレームワークでは,AIモデルの生成困難を軽減するため,新たな2段階生成フレームワークが提案されている。
生成型AIツールでは、広く使われているGANベースのモデルを置き換えるために拡散モデル(DM)を導入し、新しい物理ベースの条件付き拡散モデル(PCDM)を提案し、異なる設計の前提条件を検討する。
論文 参考訳(メタデータ) (2023-11-07T15:05:19Z) - Generative Forests [26.09279398946235]
我々は密度モデリングやデータ生成に便利な木に基づく新しい生成モデルを提案する。
また、従来のアプローチのトレーニング設定を簡単にするトレーニングアルゴリズムも導入する。
欠落したデータ計算と生成したデータと実際のデータを比較して、結果の品質を示す実験が提供されている。
論文 参考訳(メタデータ) (2023-08-07T14:58:53Z) - A Systematic Survey in Geometric Deep Learning for Structure-based Drug
Design [63.30166298698985]
構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。
幾何学的深層学習の最近の進歩は、3次元幾何データの統合と処理に焦点をあてて、構造に基づく薬物設計の分野を大いに進歩させてきた。
論文 参考訳(メタデータ) (2023-06-20T14:21:58Z) - Learning Versatile 3D Shape Generation with Improved AR Models [91.87115744375052]
自己回帰(AR)モデルはグリッド空間の関節分布をモデル化することにより2次元画像生成において印象的な結果を得た。
本稿では3次元形状生成のための改良された自己回帰モデル(ImAM)を提案する。
論文 参考訳(メタデータ) (2023-03-26T12:03:18Z) - 3D Equivariant Diffusion for Target-Aware Molecule Generation and
Affinity Prediction [9.67574543046801]
標的薬物設計における3D構造の導入は、他の標的のないモデルよりも優れた性能を示す。
上記の課題を解決するために,3次元同変拡散モデルを開発した。
我々のモデルは、より現実的な3D構造とタンパク質標的に対する親和性を持つ分子を生成し、再学習することなく結合親和性ランキングと予測を改善することができる。
論文 参考訳(メタデータ) (2023-03-06T23:01:43Z) - DA-VEGAN: Differentiably Augmenting VAE-GAN for microstructure
reconstruction from extremely small data sets [110.60233593474796]
DA-VEGANは2つの中心的なイノベーションを持つモデルである。
$beta$-variational autoencoderはハイブリッドGANアーキテクチャに組み込まれている。
このアーキテクチャに特化して、独自の差別化可能なデータ拡張スキームが開発されている。
論文 参考訳(メタデータ) (2023-02-17T08:49:09Z) - Secrets of 3D Implicit Object Shape Reconstruction in the Wild [92.5554695397653]
コンピュータビジョン、ロボティクス、グラフィックスの様々な用途において、高精細な3Dオブジェクトをスパースから再構築することは重要です。
最近の神経暗黙的モデリング法は、合成データセットまたは高密度データセットで有望な結果を示す。
しかし、粗末でノイズの多い実世界のデータではパフォーマンスが悪い。
本論文では, 一般的な神経暗黙モデルの性能低下の根本原因を解析する。
論文 参考訳(メタデータ) (2021-01-18T03:24:48Z)
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。