論文の概要: Exploring Chemical Space with Score-based Out-of-distribution Generation

• arxiv url: http://arxiv.org/abs/2206.07632v1
• Date: Mon, 6 Jun 2022 06:17:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-19 23:04:52.312840
• Title: Exploring Chemical Space with Score-based Out-of-distribution Generation
• Title（参考訳）: Score-based Out-of-distribution Generation による化学空間の探索
• Authors: Seul Lee, Jaehyeong Jo, Sung Ju Hwang
• Abstract要約: 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。 MOODは、逆時間拡散を高速領域に導く特性予測ネットワーク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。
• 参考スコア（独自算出の注目度）: 57.15855198512551
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A well-known limitation of existing works on molecule generation is that the generated molecules highly resemble those in the training set. To generate truly novel molecules with completely different structures that may have even better properties than known molecules for de novo drug discovery, more powerful exploration in the chemical space is necessary. To this end, we propose Molecular Out-Of-distribution Diffusion (MOOD), a novel score-based diffusion scheme that incorporates out-of-distribution (OOD) control in the generative stochastic differential equation (SDE) with simple control of a hyperparameter, thus requires no additional computational costs unlike existing methods (e.g., RL-based methods). However, some novel molecules may be chemically implausible, or may not meet the basic requirements of real-world drugs. Thus, MOOD performs conditional generation by utilizing the gradients from a property prediction network that guides the reverse-time diffusion to high-scoring regions according to multiple target properties such as protein-ligand interactions, drug-likeness, and synthesizability. This allows MOOD to search for novel and meaningful molecules rather than generating unseen yet trivial ones. We experimentally validate that MOOD is able to explore the chemical space beyond the training distribution, generating molecules that outscore ones found with existing methods, and even the top 0.01% of the original training pool.
• Abstract（参考訳）: 分子生成に関する既存の研究の有名な制限は、生成された分子がトレーニングセットの分子と非常によく似ていることである。 デ・ノボの薬物発見のための既知の分子よりも優れた性質を持つ全く異なる構造を持つ真に新しい分子を生成するためには、化学空間におけるより強力な探索が必要である。 本研究では,超パラメータの簡単な制御により生成的確率微分方程式 (sde) にout-of-distribution (ood) 制御を組み込んだ新しいスコアベースの拡散スキームである分子外分散拡散 (mood) を提案する。 しかし、いくつかの新規分子は化学的に有り得ないかもしれないし、現実世界の薬物の基本的な要件を満たしていないかもしれない。 したがって、MOODは、タンパク質-リガンド相互作用、薬物類似性、合成性などの複数の目的特性に応じて、逆時間拡散をハイスコア領域に導く特性予測ネットワークからの勾配を利用して条件付き生成を行う。 これにより、MOODは目に見えないが自明な分子を生成するのではなく、新規で有意義な分子を探すことができる。 実験により,ムードがトレーニング分布を超えた化学空間を探索し,既存の手法で検出した分子や,当初のトレーニングプールの0.01%を上回る分子を生成できることを検証した。

関連論文リスト

• Conditional Synthesis of 3D Molecules with Time Correction Sampler [58.0834973489875]
  Time-Aware Conditional Synthesis (TACS) は拡散モデルにおける条件生成の新しい手法である。 適応的に制御されたプラグアンドプレイの"オンライン"ガイダンスを拡散モデルに統合し、サンプルを所望の特性に向けて駆動する。
  論文  参考訳（メタデータ） (2024-11-01T12:59:25Z)
• Data-Efficient Molecular Generation with Hierarchical Textual Inversion [48.816943690420224]
  分子生成のための階層型テキスト変換法 (HI-Mol) を提案する。 HI-Molは分子分布を理解する上での階層的情報、例えば粗い特徴ときめ細かい特徴の重要性にインスパイアされている。 単一レベルトークン埋め込みを用いた画像領域の従来のテキストインバージョン法と比較して, マルチレベルトークン埋め込みにより, 基礎となる低ショット分子分布を効果的に学習することができる。
  論文  参考訳（メタデータ） (2024-05-05T08:35:23Z)
• Diffusing on Two Levels and Optimizing for Multiple Properties: A Novel Approach to Generating Molecules with Desirable Properties [33.2976176283611]
  本稿では,分子を望ましい性質で生成する新しい手法を提案する。 望ましい分子断片を得るため,我々は新しい電子効果に基づくフラグメンテーション法を開発した。 提案手法により生成する分子は, 従来のSOTAモデルより有効, 特異性, 新規性, Fr'echet ChemNet Distance (FCD), QED, PlogP を有することを示す。
  論文  参考訳（メタデータ） (2023-10-05T11:43:21Z)
• Molecule Design by Latent Space Energy-Based Modeling and Gradual Distribution Shifting [53.44684898432997]
  化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。 本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。 本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
  論文  参考訳（メタデータ） (2023-06-09T03:04:21Z)
• 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)
• Hit and Lead Discovery with Explorative RL and Fragment-based Molecule Generation [34.26748101294543]
  ドッキングスコアが大きい薬理学的に許容される分子を生成する新しい枠組みを提案する。 本手法は, 生成した分子を, 現実的で有資格な化学空間に限定し, 薬物発見のための空間を効果的に探索する。 提案モデルでは,既存の手法と比較して高品質な分子を生成できる一方で,3つの目標のうち2つの目標に対して最先端の性能を達成できる。
  論文  参考訳（メタデータ） (2021-10-04T07:21:00Z)
• 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)
• ChemoVerse: Manifold traversal of latent spaces for novel molecule discovery [0.7742297876120561]
  所望の化学的性質を持つ分子構造を同定することが不可欠である。 ニューラルネットワークと機械学習を用いた生成モデルの最近の進歩は、薬物のような化合物の仮想ライブラリの設計に広く利用されている。
  論文  参考訳（メタデータ） (2020-09-29T12:11:40Z)

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。