論文の概要: Efficient and Accurate Physics-aware Multiplex Graph Neural Networks for
3D Small Molecules and Macromolecule Complexes
- arxiv url: http://arxiv.org/abs/2206.02789v3
- Date: Sun, 19 Nov 2023 04:38:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-22 21:15:28.953155
- Title: Efficient and Accurate Physics-aware Multiplex Graph Neural Networks for
3D Small Molecules and Macromolecule Complexes
- Title（参考訳）: 3次元小分子と高分子錯体のための効率的かつ正確な物理量認識多重グラフニューラルネットワーク
- Authors: Shuo Zhang, Yang Liu, Lei Xie
- Abstract要約: 本研究では,3次元分子の表現を効率的に学習するための物理対応多重グラフニューラルネットワーク(PaxNet)を提案する。
PaxNetは、分子力学にインスパイアされた局所的および非局所的な相互作用のモデリングを分離する。
また、各原子の関連ベクトルを学習することでベクトル特性を予測できる。
- 参考スコア（独自算出の注目度）: 19.268713909099507
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advances in applying Graph Neural Networks (GNNs) to molecular science
have showcased the power of learning three-dimensional (3D) structure
representations with GNNs. However, most existing GNNs suffer from the
limitations of insufficient modeling of diverse interactions, computational
expensive operations, and ignorance of vectorial values. Here, we tackle these
limitations by proposing a novel GNN model, Physics-aware Multiplex Graph
Neural Network (PaxNet), to efficiently and accurately learn the
representations of 3D molecules for both small organic compounds and
macromolecule complexes. PaxNet separates the modeling of local and non-local
interactions inspired by molecular mechanics, and reduces the expensive
angle-related computations. Besides scalar properties, PaxNet can also predict
vectorial properties by learning an associated vector for each atom. To
evaluate the performance of PaxNet, we compare it with state-of-the-art
baselines in two tasks. On small molecule dataset for predicting quantum
chemical properties, PaxNet reduces the prediction error by 15% and uses 73%
less memory than the best baseline. On macromolecule dataset for predicting
protein-ligand binding affinities, PaxNet outperforms the best baseline while
reducing the memory consumption by 33% and the inference time by 85%. Thus,
PaxNet provides a universal, robust and accurate method for large-scale machine
learning of molecules. Our code is available at
https://github.com/zetayue/Physics-aware-Multiplex-GNN.
- Abstract（参考訳）: グラフニューラルネットワーク(GNN)を分子科学に適用する最近の進歩は、3次元3次元構造表現をGNNで学習する能力を示している。
しかし、既存のGNNのほとんどは、多様な相互作用のモデリング不足、計算コストの高い演算、ベクトル値の無知の限界に悩まされている。
そこで我々は,新しいGNNモデルである物理対応多重グラフニューラルネットワーク(PaxNet)を提案し,小さな有機化合物とマクロ分子複合体の3次元分子の表現を効率的かつ正確に学習する。
PaxNetは、分子力学にインスパイアされた局所的および非局所的な相互作用のモデリングを分離し、高価な角度関連計算を減らす。
スカラー特性の他に、paxnetは各原子の関連するベクトルを学習することでベクトル特性を予測できる。
PaxNetの性能を評価するために,2つのタスクにおける最先端のベースラインと比較する。
量子化学特性を予測するための小さな分子データセットでは、PaxNetは予測誤差を15%削減し、最高のベースラインよりも73%少ないメモリを使用する。
タンパク質-リガンド結合親和性を予測するマクロ分子データセットでは、PaxNetはメモリ消費を33%減らし、推論時間を85%減らしながら、最高のベースラインを上回っている。
したがって、PaxNetは分子の大規模機械学習のための普遍的で堅牢で正確な方法を提供する。
私たちのコードはhttps://github.com/zetayue/Physics-aware-Multiplex-GNNで利用可能です。
関連論文リスト
- A Universal Framework for Accurate and Efficient Geometric Deep Learning
of Molecular Systems [19.268713909099507]
PAMNetは、どんな分子系でも様々な大きさの3D分子の表現を学習するための普遍的なフレームワークである。
分子力学にインスパイアされたPAMNetは、局所的および非局所的相互作用とそれらの結合効果を明示的にモデル化するために、物理インフォームドバイアスを誘導する。
ベンチマーク研究において、PAMNetは3つの多様な学習タスクにおいて、正確性と効率の両面で最先端のベースラインを上回っている。
論文 参考訳（メタデータ） (2023-11-19T04:52:05Z) - Neural Atoms: Propagating Long-range Interaction in Molecular Graphs through Efficient Communication Channel [48.6168145845412]
分子の原子を暗黙的に投影することで、原子群の集合情報を数$textitNeural Atoms$に抽象化する方法を提案する。
具体的には、ニューラル原子間で情報を明示的に交換し、それをエンハンスメントとして原子の表現に投影する。
この機構により、ニューラルネットワークは遠方のノード間の通信チャネルを確立し、任意のノード対の相互作用範囲を1つのホップに効果的に縮小する。
論文 参考訳（メタデータ） (2023-11-02T14:44:50Z) - ViSNet: an equivariant geometry-enhanced graph neural network with
vector-scalar interactive message passing for molecules [69.05950120497221]
本稿では、幾何学的特徴をエレガントに抽出し、分子構造を効率的にモデル化する同変幾何拡張グラフニューラルネットワークViSNetを提案する。
提案するViSNetは,MD17,MD17,MD22を含む複数のMDベンチマークにおける最先端の手法よりも優れ,QM9およびMolecule3Dデータセット上での優れた化学的特性予測を実現する。
論文 参考訳（メタデータ） (2022-10-29T07:12:46Z) - Physics-aware Graph Neural Network for Accurate RNA 3D Structure
Prediction [20.276492931562036]
実験的に決定されたRNA構造が限られていることを考えると、RNA構造の予測はRNA機能の解明とRNAを標的とした薬物発見を促進する。
原子型のみを訓練したグラフニューラルネットワーク(GNN)に基づくスコアリング関数を提案する。
提案した物理対応多重グラフニューラルネットワーク(PaxNet)は、局所的および非局所的相互作用を別々にモデル化する。
論文 参考訳（メタデータ） (2022-10-28T20:13:00Z) - MolGraph: a Python package for the implementation of molecular graphs
and graph neural networks with TensorFlow and Keras [51.92255321684027]
MolGraphは、分子機械学習(ML)のためのグラフニューラルネットワーク(GNN)パッケージである
MolGraphは、分子ML問題を解決するためにGNNアルゴリズムに渡すことができる小さな分子グラフを生成するための化学モジュールを実装している。
GNNは分子識別に有用であり,クロマトグラフィー保持時間データの解釈性が向上した。
論文 参考訳（メタデータ） (2022-08-21T18:37:41Z) - 3D Infomax improves GNNs for Molecular Property Prediction [1.9703625025720701]
本稿では,2次元分子グラフのみに与えられる分子の幾何学をモデル化するための事前学習モデルを提案する。
我々は,3次元事前学習が幅広い特性に対して大きな改善をもたらすことを示す。
論文 参考訳（メタデータ） (2021-10-08T13:30:49Z) - Molecule3D: A Benchmark for Predicting 3D Geometries from Molecular
Graphs [79.06686274377009]
我々は、約400万分子の正確な基底状態のジオメトリーを持つデータセットを含むMolecule3Dと呼ばれるベンチマークを開発する。
我々は3次元空間における原子と原子の対距離を予測する2つのベースライン法を実装した。
本手法は予測精度に匹敵する精度を達成できるが,計算コストははるかに小さい。
論文 参考訳（メタデータ） (2021-09-30T22:09:28Z) - GeoMol: Torsional Geometric Generation of Molecular 3D Conformer
Ensembles [60.12186997181117]
分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。
既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。
エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
論文 参考訳（メタデータ） (2021-06-08T14:17:59Z) - Directed Graph Attention Neural Network Utilizing 3D Coordinates for
Molecular Property Prediction [11.726245297344418]
カーネル法とグラフニューラルネットワークは、プロパティ予測の2つの主流手法として広く研究されている。
この研究では、化学結合のみをエッジとして扱うDirected Graph Attention Neural Network(DGANN)に光を当てた。
我々のモデルは、QM9データセット上で、ほとんどのベースライングラフニューラルネットワークにマッチするか、より優れています。
論文 参考訳（メタデータ） (2020-12-01T11:06:40Z) - Molecular Mechanics-Driven Graph Neural Network with Multiplex Graph for
Molecular Structures [20.276492931562036]
この課題に対処するために、グラフニューラルネットワーク(GNN)の数が増えている。
本研究では,分子構造に対して強力かつ効率の良いGNNを設計することを目的とする。
多重分子グラフニューラルネットワーク(MXMNet)の構築
論文 参考訳（メタデータ） (2020-11-15T05:55:15Z) - Deep Polynomial Neural Networks [77.70761658507507]
$Pi$Netsは拡張に基づいた関数近似の新しいクラスである。
$Pi$Netsは、画像生成、顔検証、および3Dメッシュ表現学習という3つの困難なタスクで、最先端の結果を生成する。
論文 参考訳（メタデータ） (2020-06-20T16:23:32Z)
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。