論文の概要: Molecular Geometry Pretraining with SE(3)-Invariant Denoising Distance Matching

• arxiv url: http://arxiv.org/abs/2206.13602v1
• Date: Mon, 27 Jun 2022 19:30:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-29 13:57:51.442801
• Title: Molecular Geometry Pretraining with SE(3)-Invariant Denoising Distance Matching
• Title（参考訳）: SE(3)-invariant denoising Distance Matching による分子形状予測
• Authors: Shengchao Liu, Hongyu Guo, Jian Tang
• Abstract要約: 3次元幾何学構造に対する事前学習の力は、あまり研究されていない。 このようなエネルギー景観をモデル化するための3次元協調型事前学習フレームワークを提案する。 提案手法の有効性とロバスト性を確認した。
• 参考スコア（独自算出の注目度）: 36.92992265307818
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pretraining molecular representations is critical in a variety of applications in drug and material discovery due to the limited number of labeled molecules, yet most of existing work focuses on pretraining on 2D molecular graphs. The power of pretraining on 3D geometric structures, however, has been less explored, owning to the difficulty of finding a sufficient proxy task to empower the pretraining to effectively extract essential features from the geometric structures. Motivated by the dynamic nature of 3D molecules, where the continuous motion of a molecule in the 3D Euclidean space forms a smooth potential energy surface, we propose a 3D coordinate denoising pretraining framework to model such an energy landscape. Leveraging a SE(3)-invariant score matching method, we propose SE(3)-DDM where the coordinate denoising proxy task is effectively boiled down to the denoising of the pairwise atomic distances in a molecule. Our comprehensive experiments confirm the effectiveness and robustness of our proposed method.
• Abstract（参考訳）: 分子表現の事前学習は、ラベル付き分子の数が限られているため、薬物や物質発見の様々な応用において重要であるが、既存の研究の多くは2次元分子グラフの事前学習に焦点を当てている。 しかし、3次元幾何学的構造を事前学習する力は、幾何学的構造から本質的な特徴を効果的に抽出する事前訓練を力づける十分なプロキシタスクを見つけることの難しさから、あまり研究されていない。 3次元ユークリッド空間内の分子の連続運動が滑らかなポテンシャルエネルギー面を形成する3d分子の動的性質に動機づけられ、そのようなエネルギー景観をモデル化するための3d座標の事前学習フレームワークを提案する。 そこで,se(3)不変スコアマッチング法を用いて,分子内の一対の原子距離の分別により,座標分位プロキシタスクを効果的に沸騰させるse(3)-ddmを提案する。 提案手法の有効性とロバスト性を確認した。

関連論文リスト

• 3D Denoisers are Good 2D Teachers: Molecular Pretraining via Denoising and Cross-Modal Distillation [65.35632020653291]
  本稿では、3Dデノイザから表現を蒸留することにより、2Dグラフエンコーダを事前学習する自己教師型分子表現学習フレームワークD&Dを提案する。 D&Dは2Dグラフに基づいて3D情報を推測でき、他のベースラインに対して優れた性能とラベル効率を示す。
  論文  参考訳（メタデータ） (2023-09-08T01:36:58Z)
• Automated 3D Pre-Training for Molecular Property Prediction [54.15788181794094]
  新たな3D事前学習フレームワーク(3D PGT)を提案する。 3D分子グラフのモデルを事前訓練し、3D構造のない分子グラフに微調整する。 提案した3次元PGTの精度, 効率, 一般化能力を示すために, 2次元分子グラフの大規模実験を行った。
  論文  参考訳（メタデータ） (2023-06-13T14:43:13Z)
• A Group Symmetric Stochastic Differential Equation Model for Molecule Multi-modal Pretraining [36.48602272037559]
  分子プレトレーニングは、AIベースの薬物発見のパフォーマンスを高めるために、急速にゴーツースキーマになっている。 本稿では,2次元トポロジーから3次元反射を生成するMoleculeSDEを提案する。 プレトレーニングベースライン17点と比較することにより,32のダウンストリームタスク中26点において,MoleculeSDEが最先端のパフォーマンスを持つ表現表現を学習できることを実証的に検証する。
  論文  参考訳（メタデータ） (2023-05-28T15:56:02Z)
• 3D Equivariant Diffusion for Target-Aware Molecule Generation and Affinity Prediction [9.67574543046801]
  標的薬物設計における3D構造の導入は、他の標的のないモデルよりも優れた性能を示す。 上記の課題を解決するために,3次元同変拡散モデルを開発した。 我々のモデルは、より現実的な3D構造とタンパク質標的に対する親和性を持つ分子を生成し、再学習することなく結合親和性ランキングと予測を改善することができる。
  論文  参考訳（メタデータ） (2023-03-06T23:01:43Z)
• Geometry-Complete Diffusion for 3D Molecule Generation and Optimization [3.8366697175402225]
  3次元分子生成のための幾何-完全拡散モデル(GCDM)を導入する。 GCDMは、既存の3次元分子拡散モデルよりも条件および非条件設定間で大きなマージンで優れている。 また、GCDMの幾何学的特徴は、既存の3次元分子の幾何学的および化学組成を一貫して最適化するために再利用可能であることも示している。
  論文  参考訳（メタデータ） (2023-02-08T20:01:51Z)
• 3D Equivariant Molecular Graph Pretraining [42.957880677779556]
  完全かつ新しい意味での3D分子プレトレーニングに取り組む。 まず,3次元空間の対称性を満たすことのメリットを享受する事前学習のバックボーンとして,同変エネルギーベースモデルを採用することを提案する。 大規模3DデータセットGEOM-QM9から事前学習したモデルを,MD17とQM9の2つの挑戦的な3Dベンチマークで評価した。
  論文  参考訳（メタデータ） (2022-07-18T16:26:24Z)
• Pre-training via Denoising for Molecular Property Prediction [53.409242538744444]
  本稿では,3次元分子構造の大規模データセットを平衡に利用した事前学習手法について述べる。 近年のノイズレギュラー化の進展に触発されて, 事前学習の目的は, 雑音の除去に基づくものである。
  論文  参考訳（メタデータ） (2022-05-31T22:28:34Z)
• 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)
• An End-to-End Framework for Molecular Conformation Generation via Bilevel Programming [71.82571553927619]
  分子コンフォメーション予測のためのエンドツーエンドソリューションであるconfvaeを提案する。 具体的には、まず分子グラフを潜時空間に符号化し、3次元構造は原理化された二段階最適化プログラムを解くことによって生成される。
  論文  参考訳（メタデータ） (2021-05-15T15:22:29Z)
• Investigating 3D Atomic Environments for Enhanced QSAR [0.0]
  分子の生物活性と物理的性質を予測することは、薬物設計における長年の課題である。 ほとんどのアプローチでは、分子の2次元表現に基づく分子記述子を原子と結合のグラフとして使用し、分子の形状を抽象化する。 Smooth Overlap of Atomic Positions (SOAP) を用いた新しいアライメントフリー3次元QSAR法について述べる。
  論文  参考訳（メタデータ） (2020-10-24T10:04:48Z)

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。