論文の概要: CoSP: Co-supervised pretraining of pocket and ligand

• arxiv url: http://arxiv.org/abs/2206.12241v1
• Date: Thu, 23 Jun 2022 16:58:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-27 13:02:53.655856
• Title: CoSP: Co-supervised pretraining of pocket and ligand
• Title（参考訳）: CoSP:ポケットとリガンドの協調事前訓練
• Authors: Zhangyang Gao, Cheng Tan, Lirong Wu, Stan Z. Li
• Abstract要約: 本研究では,3Dポケットとリガンド表現を同時に学習するための協調教師付き事前学習(CoSP)フレームワークを提案する。 我々は幾何学的メッセージパッシング層を用いて3Dポケットとゲートの両方をモデル化し、各ノードの化学的特徴を考察する。 生物学的な意味のある埋め込みを学習するために、コントラスト的損失により、ポケットリガンド相互作用の知識を事前学習モデルに注入する。 分子の特異性を考慮し, 対照的な学習性能を向上させるために, 化学類似性に富む負のサンプリング戦略を提案する。
• 参考スコア（独自算出の注目度）: 38.42917984016527
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Can we inject the pocket-ligand interaction knowledge into the pre-trained model and jointly learn their chemical space? Pretraining molecules and proteins has attracted considerable attention in recent years, while most of these approaches focus on learning one of the chemical spaces and lack the injection of biological knowledge. We propose a co-supervised pretraining (CoSP) framework to simultaneously learn 3D pocket and ligand representations. We use a gated geometric message passing layer to model both 3D pockets and ligands, where each node's chemical features, geometric position and orientation are considered. To learn biological meaningful embeddings, we inject the pocket-ligand interaction knowledge into the pretraining model via contrastive loss. Considering the specificity of molecules, we further propose a chemical similarity-enhanced negative sampling strategy to improve the contrastive learning performance. Through extensive experiments, we conclude that CoSP can achieve competitive results in pocket matching, molecule property predictions, and virtual screening.
• Abstract（参考訳）: ポケット・リガンド相互作用の知識を事前訓練したモデルに注入し、共同して化学空間を学べるか? プリトレーニング分子とタンパク質は近年注目されているが、これらのアプローチのほとんどは化学空間の1つを学習し、生物学的知識の注入を欠くことに焦点を当てている。 本論文では,3次元ポケット表現とリガンド表現を同時に学習するcospフレームワークを提案する。 我々はゲート型幾何学的メッセージパッシング層を用いて3次元ポケットとリガンドの両方をモデル化し,各ノードの化学的特徴,幾何学的位置,配向を考慮した。 生物学的意味のある埋め込みを学ぶために、ポケットリガンド相互作用の知識をコントラスト損失を通じて事前学習モデルに注入する。 分子の特異性を考慮して, コントラスト学習性能を向上させるために, 化学類似性強化負サンプリング戦略を提案する。 広範な実験を通じて,CoSPはポケットマッチング,分子特性予測,仮想スクリーニングにおいて競合する結果が得られると結論付けた。

関連論文リスト

• Active Causal Learning for Decoding Chemical Complexities with Targeted Interventions [0.0]
  そこで本研究では,戦略的サンプリングを通じて原因・影響関係を識別する能動的学習手法を提案する。 この方法は、より大きな化学空間の最も多くの情報を符号化できるデータセットの最小サブセットを特定する。 その後、同定された因果関係を利用して体系的な介入を行い、モデルがこれまで遭遇していなかった化学空間における設計タスクを最適化する。
  論文  参考訳（メタデータ） (2024-04-05T17:15:48Z)
• Exploiting Hierarchical Interactions for Protein Surface Learning [52.10066114039307]
  本質的には、タンパク質表面のポテンシャル関数部位は、幾何学的特徴と化学的特徴の両方によって決定される。 本稿では,ディープラーニング技術,すなわち階層型化学・幾何学的特徴相互作用ネットワーク(HCGNet)に基づく原則的フレームワークを提案する。 提案手法は,現場予測タスクが2.3%,インタラクションマッチングタスクが3.2%,従来の最先端手法が2.3%向上した。
  論文  参考訳（メタデータ） (2024-01-17T14:10:40Z)
• Learning Over Molecular Conformer Ensembles: Datasets and Benchmarks [44.934084652800976]
  コンフォーマーアンサンブルを用いた学習の可能性を徹底的に評価するための,最初のMoleculAR Conformer Ensemble Learningベンチマークを導入する。 その結果,コンバータ空間からの直接学習は,様々なタスクやモデルの性能を向上させることができることがわかった。
  論文  参考訳（メタデータ） (2023-09-29T20:06:46Z)
• ChemVise: Maximizing Out-of-Distribution Chemical Detection with the Novel Application of Zero-Shot Learning [60.02503434201552]
  本研究は,簡単な学習セットから複雑な露光の学習近似を提案する。 合成センサ応答に対するこのアプローチは, 分布外の化学分析物の検出を驚くほど改善することを示した。
  論文  参考訳（メタデータ） (2023-02-09T20:19:57Z)
• 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)
• Transferring Chemical and Energetic Knowledge Between Molecular Systems with Machine Learning [5.27145343046974]
  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。
  論文  参考訳（メタデータ） (2022-05-06T16:21:00Z)
• Exploration of Dark Chemical Genomics Space via Portal Learning: Applied to Targeting the Undruggable Genome and COVID-19 Anti-Infective Polypharmacology [28.633036496512442]
  我々は,ダークケミカルおよび生物学的空間を探索するために,textitPortal Learning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開発した。 Portal Learningは、ゲノム規模で化学とタンパク質の相互作用を予測する。
  論文  参考訳（メタデータ） (2021-11-23T19:23:59Z)
• Federated Learning of Molecular Properties in a Heterogeneous Setting [79.00211946597845]
  これらの課題に対処するために、フェデレーションヘテロジニアス分子学習を導入する。 フェデレートラーニングにより、エンドユーザは、独立したクライアント上に分散されたトレーニングデータを保存しながら、グローバルモデルを協調的に構築できる。 FedChemは、化学におけるAI改善のための新しいタイプのコラボレーションを可能にする必要がある。
  論文  参考訳（メタデータ） (2021-09-15T12:49:13Z)
• 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)

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。