論文の概要: A graph representation of molecular ensembles for polymer property prediction

• arxiv url: http://arxiv.org/abs/2205.08619v1
• Date: Tue, 17 May 2022 20:31:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-19 14:06:59.348560
• Title: A graph representation of molecular ensembles for polymer property prediction
• Title（参考訳）: 高分子物性予測のための分子アンサンブルのグラフ表現
• Authors: Matteo Aldeghi and Connor W. Coley
• Abstract要約: 有機分子とは対照的に、ポリマーはよく定義された単一構造ではなく、類似した分子の集合体である。 本稿では,分子アンサンブルのグラフ表現と,高分子特性予測に適したグラフニューラルネットワークアーキテクチャを提案する。
• 参考スコア（独自算出の注目度）: 3.032184156362992
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Synthetic polymers are versatile and widely used materials. Similar to small organic molecules, a large chemical space of such materials is hypothetically accessible. Computational property prediction and virtual screening can accelerate polymer design by prioritizing candidates expected to have favorable properties. However, in contrast to organic molecules, polymers are often not well-defined single structures but an ensemble of similar molecules, which poses unique challenges to traditional chemical representations and machine learning approaches. Here, we introduce a graph representation of molecular ensembles and an associated graph neural network architecture that is tailored to polymer property prediction. We demonstrate that this approach captures critical features of polymeric materials, like chain architecture, monomer stoichiometry, and degree of polymerization, and achieves superior accuracy to off-the-shelf cheminformatics methodologies. While doing so, we built a dataset of simulated electron affinity and ionization potential values for >40k polymers with varying monomer composition, stoichiometry, and chain architecture, which may be used in the development of other tailored machine learning approaches. The dataset and machine learning models presented in this work pave the path toward new classes of algorithms for polymer informatics and, more broadly, introduce a framework for the modeling of molecular ensembles.
• Abstract（参考訳）: 合成ポリマーは多用途で広く用いられる材料である。 小さな有機分子と同様に、そのような物質の大きな化学空間は仮説上アクセス可能である。 計算特性予測と仮想スクリーニングは、望ましい性質を持つと期待される候補を優先順位付けすることでポリマーの設計を加速することができる。 しかし、有機分子とは対照的に、ポリマーはしばしばよく定義された単一構造ではなく、類似した分子のアンサンブルであり、従来の化学表現や機械学習アプローチに特有の課題をもたらす。 本稿では,分子アンサンブルのグラフ表現と,高分子特性予測に適したグラフニューラルネットワークアーキテクチャを提案する。 本手法は, 鎖状構造, モノマー重合, 重合度などの高分子材料の重要な特性を捉えるとともに, 市販のケミノフォマティクス法よりも精度が高いことを示す。 その間, モノマー組成, ストイチオメトリー, チェーンアーキテクチャの異なる40k以上の高分子の電子親和性とイオン化ポテンシャルのシミュレーションデータセットを構築した。 この研究で提示されたデータセットと機械学習モデルは、高分子情報学のための新しいアルゴリズムのクラスへの道を歩み、より広範に、分子アンサンブルのモデリングのためのフレームワークを導入する。

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)
• Molecular topological deep learning for polymer property prediction [18.602659324026934]
  高分子特性解析のための分子トポロジカルディープラーニング(Mol-TDL)を開発した。 Mol-TDLは高次相互作用とマルチスケール特性の両方をトポロジカルディープラーニングアーキテクチャに組み込んでいる。
  論文  参考訳（メタデータ） (2024-10-07T05:44:02Z)
• Inverse Design of Copolymers Including Stoichiometry and Chain Architecture [0.0]
  機械学習誘導分子設計は、高分子発見を加速するための有望なアプローチである。 我々は,グラフを符号化し,文字列を復号する新しい変分オートエンコーダアーキテクチャを開発した。 我々のモデルは、コポリマー構造のデノボ生成を可能にする、連続的でよく構成された潜在空間を学習する。
  論文  参考訳（メタデータ） (2024-09-30T15:37:39Z)
• 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)
• Atomic and Subgraph-aware Bilateral Aggregation for Molecular Representation Learning [57.670845619155195]
  我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。 ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。 本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
  論文  参考訳（メタデータ） (2023-05-22T00:56:00Z)
• An Equivariant Generative Framework for Molecular Graph-Structure Co-Design [54.92529253182004]
  分子グラフ構造アンダーラインCo設計のための機械学習ベースの生成フレームワークであるMollCodeを提案する。 MolCodeでは、3D幾何情報によって分子2Dグラフの生成が促進され、それによって分子3D構造の予測が導かれる。 分子設計における2次元トポロジーと3次元幾何は本質的に相補的な情報を含んでいることが明らかとなった。
  論文  参考訳（メタデータ） (2023-04-12T13:34:22Z)
• 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)
• 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)
• Representing Polymers as Periodic Graphs with Learned Descriptors for Accurate Polymer Property Predictions [16.468017785818198]
  我々は、手書きの表現を一貫して上回る周期性ポリマーグラフ表現を開発する。 また,高分子グラフ表現とメッセージパッシングニューラルネットワークアーキテクチャを組み合わせることで,意味のある高分子の特徴を自動的に抽出する方法を実証する。
  論文  参考訳（メタデータ） (2022-05-27T04:14:12Z)
• Copolymer Informatics with Multi-Task Deep Neural Networks [0.0]
  コポリマーの性質予測の課題に取り組み、ホモポリマーを超えてポリマーインフォマティクスフレームワークを拡張します。 2つのモノマーのホモポリマーと共重合体のガラス転移、融解、分解温度の18,000以上のデータポイントを含む大きなデータセットを用いる。 開発されたモデルは、適切なデータが利用可能になったときに、よりコポリマー特性に正確、迅速、柔軟、スケーラブルです。
  論文  参考訳（メタデータ） (2021-03-25T23:28:20Z)
• Representations of molecules and materials for interpolation of quantum-mechanical simulations via machine learning [0.0]
  第一原理から分子や物質の計算的研究は、物理学、化学、材料科学の基盤となっている。 多くのシミュレーションを含む設定では、機械学習は参照シミュレーション間の補間によってこれらのコストを、しばしば桁違いに削減することができる。 我々は、統一された数学的枠組みを用いて、現在の表現とそれらの関係を包括的にレビューし、議論する。
  論文  参考訳（メタデータ） (2020-03-26T18:01:35Z)

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。