論文の概要: Conditional $\beta$-VAE for De Novo Molecular Generation
- arxiv url: http://arxiv.org/abs/2205.01592v1
- Date: Sun, 1 May 2022 17:38:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-04 16:03:47.706322
- Title: Conditional $\beta$-VAE for De Novo Molecular Generation
- Title（参考訳）: De Novo分子生成のための条件付き$\beta$-VAE
- Authors: Ryan J Richards and Austen M Groener
- Abstract要約: 本稿では,ポストホック分子最適化を強化するために潜伏空間をアンタングル化する条件付き$beta$-VAEを提案する。
我々は、分子の妥当性を高め、より長いシーケンス生成を促進するために、相互情報駆動トレーニングプロトコルとデータ拡張を作成します。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Deep learning has significantly advanced and accelerated de novo molecular
generation. Generative networks, namely Variational Autoencoders (VAEs) can not
only randomly generate new molecules, but also alter molecular structures to
optimize specific chemical properties which are pivotal for drug-discovery.
While VAEs have been proposed and researched in the past for pharmaceutical
applications, they possess deficiencies which limit their ability to both
optimize properties and decode syntactically valid molecules. We present a
recurrent, conditional $\beta$-VAE which disentangles the latent space to
enhance post hoc molecule optimization. We create a mutual information driven
training protocol and data augmentations to both increase molecular validity
and promote longer sequence generation. We demonstrate the efficacy of our
framework on the ZINC-250k dataset, achieving SOTA unconstrained optimization
results on the penalized LogP (pLogP) and QED scores, while also matching
current SOTA results for validity, novelty and uniqueness scores for random
generation. We match the current SOTA on QED for top-3 molecules at 0.948,
while setting a new SOTA for pLogP optimization at 104.29, 90.12, 69.68 and
demonstrating improved results on the constrained optimization task.
- Abstract（参考訳）: 深層学習は著しく進歩し、デノボ分子生成を加速した。
生成ネットワーク、すなわち変分オートエンコーダ(vaes)は新しい分子をランダムに生成できるだけでなく、創薬に重要な特定の化学的性質を最適化するための分子構造も変更できる。
vaesは過去に薬学応用のために提案・研究されてきたが、特性を最適化する能力と構文上有効な分子をデコードする能力に限界がある。
我々は,hoc後分子最適化を強化するために潜在空間を分離する条件付き条件付き$\beta$-vaeを提案する。
我々は、相互情報駆動トレーニングプロトコルとデータ拡張を作成し、分子の妥当性を高め、より長いシーケンス生成を促進する。
我々は、ZINC-250kデータセット上でのフレームワークの有効性を実証し、PSP(pLogP)およびQEDスコアに対するSOTA制約のない最適化結果を達成するとともに、現在のSOTA結果とランダム生成の妥当性、ノベルティ、ユニークネススコアをマッチングする。
我々は,pLogP最適化のための新しいSOTAを104.29, 90.12, 69.68で設定し, 制約付き最適化タスクの改善結果を示した。
関連論文リスト
- Leveraging Latent Evolutionary Optimization for Targeted Molecule Generation [0.0]
分子生成(LEOMol)における遅延進化最適化という革新的なアプローチを提案する。
LEOMolは最適化分子の効率的な生成のための生成モデリングフレームワークである。
提案手法は,従来の最先端モデルよりも優れた性能を示す。
論文 参考訳（メタデータ） (2024-07-02T13:42:21Z) - Aligning Target-Aware Molecule Diffusion Models with Exact Energy Optimization [147.7899503829411]
AliDiffは、事前訓練されたターゲット拡散モデルと望ましい機能特性を整合させる新しいフレームワークである。
最先端の結合エネルギーを持つ分子を最大7.07 Avg. Vina Scoreで生成することができる。
論文 参考訳（メタデータ） (2024-07-01T06:10:29Z) - YZS-model: A Predictive Model for Organic Drug Solubility Based on Graph Convolutional Networks and Transformer-Attention [9.018408514318631]
伝統的な手法は複雑な分子構造を見逃し、不正確な結果をもたらすことが多い。
本稿では,グラフ畳み込みネットワーク(GCN),トランスフォーマーアーキテクチャ,Long Short-Term Memory(LSTM)ネットワークを統合するディープラーニングフレームワークであるYZS-Modelを紹介する。
YZS-Modelは、R2$ 0.59、RMSE$ 0.57を達成し、ベンチマークモデルを上回った。
論文 参考訳（メタデータ） (2024-06-27T12:40:29Z) - Distributed Reinforcement Learning for Molecular Design: Antioxidant
case [0.20971479389679337]
DA-MolDQNは抗酸化剤の分散強化学習アルゴリズムである。
従来のアルゴリズムよりも100倍高速で、プロプライエタリおよびパブリックな抗酸化物質から新しい最適化された分子を発見することができる。
論文 参考訳（メタデータ） (2023-12-03T03:23:13Z) - Gradual Optimization Learning for Conformational Energy Minimization [69.36925478047682]
ニューラルネットワークによるエネルギー最小化のためのGradual Optimization Learning Framework(GOLF)は、必要な追加データを大幅に削減する。
GOLFでトレーニングしたニューラルネットワークは,種々の薬物様分子のベンチマークにおいて,オラクルと同等に動作することを示す。
論文 参考訳（メタデータ） (2023-11-05T11:48:08Z) - Balancing Exploration and Exploitation: Disentangled $\beta$-CVAE in De
Novo Drug Design [0.0]
分子グラフ$beta$-CVAEモデルを提案する。
我々はオクタノール水分配係数(ClogP)、モル屈折率(CMR)、薬物類似度(QED)、合成アクセシビリティスコア(SAS)を最適化した。
本モデルでは,両特性とも平均30.07%$pm$0.01%分子を生成した。
論文 参考訳（メタデータ） (2023-06-02T16:58:15Z) - Retrieval-based Controllable Molecule Generation [63.44583084888342]
制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。
我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。
提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
論文 参考訳（メタデータ） (2022-08-23T17:01:16Z) - Exploring Chemical Space with Score-based Out-of-distribution Generation [57.15855198512551]
生成微分方程式(SDE)にアウト・オブ・ディストリビューション制御を組み込んだスコアベース拡散方式を提案する。
いくつかの新しい分子は現実世界の薬物の基本的な要件を満たしていないため、MOODは特性予測器からの勾配を利用して条件付き生成を行う。
我々はMOODがトレーニング分布を超えて化学空間を探索できることを実験的に検証し、既存の方法で見いだされた分子、そして元のトレーニングプールの上位0.01%までも生成できることを実証した。
論文 参考訳（メタデータ） (2022-06-06T06:17:11Z) - CELLS: Cost-Effective Evolution in Latent Space for Goal-Directed
Molecular Generation [23.618366377098614]
本稿では,分子潜在表現ベクトルを最適化した遅延空間におけるコスト効率のよい進化戦略を提案する。
我々は、潜伏空間と観測空間をマッピングするために、事前訓練された分子生成モデルを採用する。
提案手法といくつかの高度な手法を比較した複数の最適化タスクについて広範な実験を行った。
論文 参考訳（メタデータ） (2021-11-30T11:02:18Z) - Optimizing Molecules using Efficient Queries from Property Evaluations [66.66290256377376]
汎用的なクエリベースの分子最適化フレームワークであるQMOを提案する。
QMOは効率的なクエリに基づいて入力分子の所望の特性を改善する。
QMOは, 有機分子を最適化するベンチマークタスクにおいて, 既存の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2020-11-03T18:51:18Z) - MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [51.00815310242277]
生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。
本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
論文 参考訳（メタデータ） (2020-10-05T20:18:42Z)
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。