論文の概要: FP-GNN: a versatile deep learning architecture for enhanced molecular property prediction

• arxiv url: http://arxiv.org/abs/2205.03834v1
• Date: Sun, 8 May 2022 10:36:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-10 17:30:43.267819
• Title: FP-GNN: a versatile deep learning architecture for enhanced molecular property prediction
• Title（参考訳）: 分子特性予測のための多用途ディープラーニングアーキテクチャFP-GNN
• Authors: Hanxuan Cai, Huimin Zhang, Duancheng Zhao, Jingxing Wu, Ling Wang
• Abstract要約: FP-GNNは、分子グラフと指紋から情報を合成し、同時に学習する新しいディープラーニングアーキテクチャである。 乳房細胞株に対する13の公開データセット,非バイアスLIT-PCBAデータセット,14の表現型スクリーニングデータセットについて実験を行った。 FP-GNNアルゴリズムはこれらのデータセット上で最先端の性能を達成した。
• 参考スコア（独自算出の注目度）: 3.9838024725595167
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning is an important method for molecular design and exhibits considerable ability to predict molecular properties, including physicochemical, bioactive, and ADME/T (absorption, distribution, metabolism, excretion, and toxicity) properties. In this study, we advanced a novel deep learning architecture, termed FP-GNN, which combined and simultaneously learned information from molecular graphs and fingerprints. To evaluate the FP-GNN model, we conducted experiments on 13 public datasets, an unbiased LIT-PCBA dataset, and 14 phenotypic screening datasets for breast cell lines. Extensive evaluation results showed that compared to advanced deep learning and conventional machine learning algorithms, the FP-GNN algorithm achieved state-of-the-art performance on these datasets. In addition, we analyzed the influence of different molecular fingerprints, and the effects of molecular graphs and molecular fingerprints on the performance of the FP-GNN model. Analysis of the anti-noise ability and interpretation ability also indicated that FP-GNN was competitive in real-world situations.
• Abstract（参考訳）: 深層学習は分子設計の重要な方法であり、物理化学的、生物活性、adme/t(吸収、分布、代謝、排出、毒性)などの分子特性を予測する能力を持っている。 本研究では,分子グラフと指紋から情報を同時に学習する,FP-GNNと呼ばれる新しいディープラーニングアーキテクチャを開発した。 FP-GNNモデルを評価するために,13の公開データセット,非バイアスLIT-PCBAデータセット,14の表現型スクリーニングデータセットを用いて乳房細胞株について実験を行った。 FP-GNNアルゴリズムは、高度なディープラーニングと従来の機械学習アルゴリズムと比較して、これらのデータセット上で最先端のパフォーマンスを達成した。 さらに,FP-GNNモデルの性能に及ぼす異なる分子指紋の影響,および分子グラフおよび分子指紋の影響を解析した。 また,FP-GNNは実環境下での競合性も示唆した。

関連論文リスト

• Investigating Graph Neural Networks and Classical Feature-Extraction Techniques in Activity-Cliff and Molecular Property Prediction [0.6906005491572401]
  分子の破滅は、分子データの数値的特徴ベクトルへの変換を指す。 分子グラフから直接識別可能な特徴を学習する新しい手法として、メッセージパッシンググラフニューラルネットワーク(GNN)が登場した。
  論文  参考訳（メタデータ） (2024-11-20T20:07:48Z)
• Molecular Graph Representation Learning via Structural Similarity Information [11.38130169319915]
  我々は新しい分子グラフ表現学習法である textbf Structure similarity Motif GNN (MSSM-GNN) を紹介する。 特に,分子間の類似性を定量的に表現するために,グラフカーネルアルゴリズムを利用した特殊設計グラフを提案する。 我々はGNNを用いて分子グラフから特徴表現を学習し、追加の分子表現情報を組み込むことで特性予測の精度を高めることを目的としている。
  論文  参考訳（メタデータ） (2024-09-13T06:59:10Z)
• Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [55.42602325017405]
  本稿では,分子の2レベル構造を考慮した新しいGODE法を提案する。 異なるグラフ構造上で2つのグラフニューラルネットワーク(GNN)を事前訓練し、対照的な学習と組み合わせることで、GODEは分子構造を対応する知識グラフサブ構造と融合させる。 11の化学特性タスクを微調整した場合、我々のモデルは既存のベンチマークよりも優れており、分類タスクの平均ROC-AUCアップリフトは13.8%、回帰タスクの平均RMSE/MAEエンハンスメントは35.1%である。
  論文  参考訳（メタデータ） (2023-06-02T15:49:45Z)
• 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)
• HiGNN: Hierarchical Informative Graph Neural Networks for Molecular Property Prediction Equipped with Feature-Wise Attention [5.735627221409312]
  分子特性を予測するための階層型情報グラフニューラルネットワークフレームワーク(HiGNN)を提案する。 実験により、HiGNNは、多くの挑戦的な薬物発見関連ベンチマークデータセットに対して最先端の予測性能を達成することが示された。
  論文  参考訳（メタデータ） (2022-08-30T05:16:15Z)
• Graph neural networks for the prediction of molecular structure-property relationships [59.11160990637615]
  グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。 GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。 本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
  論文  参考訳（メタデータ） (2022-07-25T11:30:44Z)
• Predicting Aqueous Solubility of Organic Molecules Using Deep Learning Models with Varied Molecular Representations [3.10678679607547]
  本研究の目的は、幅広い有機分子の溶解度を予測できる一般モデルを開発することである。 現在利用可能な最大の溶解度データセットを用いて、分子構造から溶解度を予測するディープラーニングモデルを構築した。 分子ディスクリプタを用いたモデルでは,GNNモデルでも優れた性能が得られた。
  論文  参考訳（メタデータ） (2021-05-26T15:54:54Z)
• Few-Shot Graph Learning for Molecular Property Prediction [46.60746023179724]
  分子特性予測の新しいモデルであるMeta-MGNNを提案する。 ラベルのない分子情報を利用するため、Meta-MGNNはさらに分子構造、属性ベースの自己監視モジュール、および自己注意のタスクウェイトを組み込む。 2つの公開マルチプロパティデータセットに関する広範な実験は、Meta-MGNNがさまざまな最先端のメソッドを上回っていることを示しています。
  論文  参考訳（メタデータ） (2021-02-16T01:55:34Z)
• 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)
• Multi-View Graph Neural Networks for Molecular Property Prediction [67.54644592806876]
  マルチビューグラフニューラルネットワーク(MV-GNN)を提案する。 MV-GNNでは,学習過程を安定させるために,自己注意型読み出しコンポーネントと不一致損失を導入する。 我々は、相互依存型メッセージパッシング方式を提案することにより、MV-GNNの表現力をさらに強化する。
  論文  参考訳（メタデータ） (2020-05-17T04:46:07Z)

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。