論文の概要: Transferring Chemical and Energetic Knowledge Between Molecular Systems
with Machine Learning
- arxiv url: http://arxiv.org/abs/2205.03339v1
- Date: Fri, 6 May 2022 16:21:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-09 14:19:37.726460
- Title: Transferring Chemical and Energetic Knowledge Between Molecular Systems
with Machine Learning
- Title（参考訳）: 機械学習による分子システム間の化学・エネルギー知識の伝達
- Authors: Sajjad Heydari, Stefano Raniolo, Lorenzo Livi, Vittorio Limongelli
- Abstract要約: 本稿では,単純な分子システムから得られた知識をより複雑なものに伝達するための新しい手法を提案する。
我々は、高低自由エネルギー状態の分類に焦点をあてる。
以上の結果より, トリアラニンからデカアラニン系への移行学習において, 0.92 の顕著な AUC が得られた。
- 参考スコア（独自算出の注目度）: 5.27145343046974
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predicting structural and energetic properties of a molecular system is one
of the fundamental tasks in molecular simulations, and it has use cases in
chemistry, biology, and medicine. In the past decade, the advent of machine
learning algorithms has impacted on molecular simulations for various tasks,
including property prediction of atomistic systems. In this paper, we propose a
novel methodology for transferring knowledge obtained from simple molecular
systems to a more complex one, possessing a significantly larger number of
atoms and degrees of freedom. In particular, we focus on the classification of
high and low free-energy states. Our approach relies on utilizing (i) a novel
hypergraph representation of molecules, encoding all relevant information for
characterizing the potential energy of a conformation, and (ii) novel message
passing and pooling layers for processing and making predictions on such
hypergraph-structured data. Despite the complexity of the problem, our results
show a remarkable AUC of 0.92 for transfer learning from tri-alanine to the
deca-alanine system. Moreover, we show that the very same transfer learning
approach can be used to group, in an unsupervised way, various secondary
structures of deca-alanine in clusters having similar free-energy values. Our
study represents a proof of concept that reliable transfer learning models for
molecular systems can be designed paving the way to unexplored routes in
prediction of structural and energetic properties of biologically relevant
systems.
- Abstract（参考訳）: 分子系の構造的およびエネルギー的性質の予測は、分子シミュレーションの基本的なタスクの1つであり、化学、生物学、医学において応用されている。
過去10年間、機械学習アルゴリズムの出現は、原子系の特性予測を含む様々なタスクの分子シミュレーションに影響を与えてきた。
本稿では,単純な分子系から得られた知識をより複雑なものに伝達する新しい手法を提案する。
特に、高エネルギー状態と低エネルギー状態の分類に焦点を当てる。
我々のアプローチは利用に頼っている
(i)分子の新規なハイパーグラフ表現、配座のポテンシャルエネルギーを特徴付けるためのすべての関連情報を符号化すること、及び
(II) ハイパーグラフ構造データの処理と予測を行うための新しいメッセージパッシング層とプール層。
問題の複雑さにもかかわらず,tri-alanine から deca-alanine システムへの転送学習におけるauc は 0.92 であった。
さらに, 同様の自由エネルギー値を持つクラスタにおけるデカアラニンの二次構造を, 教師なしの方法でグループ化するために, 全く同じ移動学習手法が利用できることを示す。
本研究は, 分子系の信頼性伝達学習モデルが, 生物学的システムの構造的およびエネルギー的特性を予測するための未探索経路への道を開くことができることを示すものである。
関連論文リスト
- Pre-trained Molecular Language Models with Random Functional Group Masking [54.900360309677794]
SMILESをベースとしたアンダーリネム分子アンダーリネム言語アンダーリネムモデルを提案し,特定の分子原子に対応するSMILESサブシーケンスをランダムにマスキングする。
この技術は、モデルに分子構造や特性をよりよく推測させ、予測能力を高めることを目的としている。
論文 参考訳（メタデータ） (2024-11-03T01:56:15Z) - From molecules to scaffolds to functional groups: building context-dependent molecular representation via multi-channel learning [10.025809630976065]
本稿では,より堅牢で一般化可能な化学知識を学習する,新しい事前学習フレームワークを提案する。
提案手法は,種々の分子特性ベンチマークにおける競合性能を示す。
論文 参考訳（メタデータ） (2023-11-05T23:47:52Z) - Towards Predicting Equilibrium Distributions for Molecular Systems with
Deep Learning [60.02391969049972]
本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。
DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
論文 参考訳（メタデータ） (2023-06-08T17:12:08Z) - Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular
Property Prediction [53.06671763877109]
我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。
我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。
複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
論文 参考訳（メタデータ） (2023-02-04T01:32:40Z) - Discovery of structure-property relations for molecules via
hypothesis-driven active learning over the chemical space [0.0]
本稿では,仮説学習に基づく化学空間上の能動的学習のための新しいアプローチを提案する。
我々は,データサブセットの小さな部分集合に基づいて,関心の構造と機能の関係性に関する仮説を構築した。
このアプローチでは、SISSOやアクティブラーニングといったシンボリックレグレッションメソッドの要素をひとつのフレームワークに統合する。
論文 参考訳（メタデータ） (2023-01-06T14:22:43Z) - A Molecular Multimodal Foundation Model Associating Molecule Graphs with
Natural Language [63.60376252491507]
本稿では,分子グラフとその意味的関連テキストデータから事前学習した分子マルチモーダル基礎モデルを提案する。
我々のモデルは、生物学、化学、材料、環境、医学などの分野において、AIを動力とする分野に幅広い影響を与えるだろうと考えています。
論文 参考訳（メタデータ） (2022-09-12T00:56:57Z) - Generative Enriched Sequential Learning (ESL) Approach for Molecular
Design via Augmented Domain Knowledge [1.4410716345002657]
生成機械学習技術は、分子指紋表現に基づく新しい化学構造を生成することができる。
教師付きドメイン知識の欠如は、学習手順がトレーニングデータに見られる一般的な分子に相対的に偏っていることを誤解させる可能性がある。
この欠点は、例えば薬物類似度スコア(QED)の定量的推定など、ドメイン知識でトレーニングデータを増強することで軽減した。
論文 参考訳（メタデータ） (2022-04-05T20:16:11Z) - Augmenting Molecular Deep Generative Models with Topological Data
Analysis Representations [21.237758981760784]
分子のトポロジカルデータ解析(TDA)表現を付加したSMILES変分自動エンコーダ(VAE)を提案する。
実験の結果, このTDA拡張により, SMILES VAEは3次元幾何学と電子特性の複雑な関係を捉えることができることがわかった。
論文 参考訳（メタデータ） (2021-06-08T15:49:21Z) - ASGN: An Active Semi-supervised Graph Neural Network for Molecular
Property Prediction [61.33144688400446]
本稿では,ラベル付き分子とラベルなし分子の両方を組み込んだ,アクティブ半教師付きグラフニューラルネットワーク(ASGN)を提案する。
教師モデルでは,分子構造や分子分布から情報を共同で活用する汎用表現を学習するための,新しい半教師付き学習手法を提案する。
最後に,分子多様性の観点から,フレームワーク学習全体を通して情報的データを選択するための新しい能動的学習戦略を提案する。
論文 参考訳（メタデータ） (2020-07-07T04:22:39Z) - Self-Supervised Graph Transformer on Large-Scale Molecular Data [73.3448373618865]
分子表現学習のための新しいフレームワークGROVERを提案する。
GROVERは、分子の豊富な構造的および意味的な情報を、巨大な未標識分子データから学習することができる。
分子表現学習において、最大のGNNであり、最大のトレーニングデータセットである、1000万個の未標識分子に1億のパラメータを持つGROVERを事前訓練します。
論文 参考訳（メタデータ） (2020-06-18T08:37:04Z)
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。