論文の概要: Distance-Geometric Graph Attention Network (DG-GAT) for 3D Molecular Geometry

• arxiv url: http://arxiv.org/abs/2207.08023v1
• Date: Sat, 16 Jul 2022 21:39:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-19 19:20:31.070871
• Title: Distance-Geometric Graph Attention Network (DG-GAT) for 3D Molecular Geometry
• Title（参考訳）: 3次元分子幾何学のための距離幾何グラフ注意ネットワーク(dg-gat)
• Authors: Daniel T. Chang
• Abstract要約: 3次元距離幾何学グラフ表現(DG-GR)は、3次元グラフの幾何学を表現する統一的なスキーム(距離)を採用する。 DG-GRを用いた3次元距離幾何学グラフアテンションネットワーク(DG-GAT)を提案する。 実験により、2次元分子グラフに基づく標準グラフ畳み込みネットワークよりも大幅に改善された。
• 参考スコア（独自算出の注目度）: 0.8722210937404288
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning for molecular science has so far mainly focused on 2D molecular graphs. Recently, however, there has been work to extend it to 3D molecular geometry, due to its scientific significance and critical importance in real-world applications. The 3D distance-geometric graph representation (DG-GR) adopts a unified scheme (distance) for representing the geometry of 3D graphs. It is invariant to rotation and translation of the graph, and it reflects pair-wise node interactions and their generally local nature, particularly relevant for 3D molecular geometry. To facilitate the incorporation of 3D molecular geometry in deep learning for molecular science, we adopt the new graph attention network with dynamic attention (GATv2) for use with DG-GR and propose the 3D distance-geometric graph attention network (DG-GAT). GATv2 is a great fit for DG-GR since the attention can vary by node and by distance between nodes. Experimental results of DG-GAT for the ESOL and FreeSolv datasets show major improvement (31% and 38%, respectively) over those of the standard graph convolution network based on 2D molecular graphs. The same is true for the QM9 dataset. Our work demonstrates the utility and value of DG-GAT for deep learning based on 3D molecular geometry.
• Abstract（参考訳）: 分子科学のためのディープラーニングは主に2D分子グラフに焦点を当てている。 しかし近年,実世界の応用において科学的意義と重要な重要性から,これを3次元分子幾何学に拡張する研究が進められている。 3次元距離幾何学グラフ表現(DG-GR)は、3次元グラフの幾何学を表現する統一的なスキーム(距離)を採用する。 グラフの回転と変換には不変であり、特に3次元分子幾何学に関係したペアワイズノード相互作用とその局所的性質を反映している。 分子科学の深層学習における3次元分子幾何学の組み入れを容易にするため,DG-GRを用いたダイナミックアテンション付きグラフアテンションネットワーク(GATv2)を導入し,3次元距離幾何学グラフアテンションネットワーク(DG-GAT)を提案する。 GATv2は、ノードとノード間の距離によって注意が変わるため、DG-GRにとって非常に適している。 ESOLデータセットとFreeSolvデータセットに対するDG-GATの実験結果は、2D分子グラフに基づく標準グラフ畳み込みネットワークよりも大きな改善(31%と38%)を示した。 同じことがqm9データセットにも当てはまります。 本研究は3次元分子幾何学に基づく深層学習におけるDG-GATの有用性と有用性を示す。

関連論文リスト

• Geometry Informed Tokenization of Molecules for Language Model Generation [85.80491667588923]
  言語モデル(LM)を用いた三次元空間における分子生成の検討 分子グラフのトークン化は存在するが、3次元幾何学では、ほとんど探索されていない。 分子幾何学を$SE(3)$-invariant 1D離散配列に変換するGeo2Seqを提案する。
  論文  参考訳（メタデータ） (2024-08-19T16:09:59Z)
• 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)
• 3D Molecular Geometry Analysis with 2D Graphs [79.47097907673877]
  分子の基底状態3次元ジオメトリは多くの分子解析タスクに必須である。 現代の量子力学的手法は正確な3次元幾何学を計算できるが、計算は禁じられている。 分子グラフから3次元幾何学を予測するための新しいディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-01T19:00:46Z)
• Unified 2D and 3D Pre-Training of Molecular Representations [237.36667670201473]
  統合された2次元および3次元事前学習に基づく新しい表現学習法を提案する。 原子座標と原子間距離は符号化され、グラフニューラルネットワークを介して原子表現と融合する。 提案手法は10タスクの最先端化を実現し、2Dのみのタスクの平均改善率は8.3%である。
  論文  参考訳（メタデータ） (2022-07-14T11:36:56Z)
• Pre-training Molecular Graph Representation with 3D Geometry [39.35244035710228]
  分子グラフは典型的には2次元トポロジー構造によってモデル化される。 実世界のシナリオにおける3D情報の欠如は幾何グラフ表現の学習を著しく妨げている。 本稿では,2次元トポロジ構造と3次元幾何学的ビューの対応と整合性を活用して,自己指導型学習を行うグラフ多視点事前学習(Graph Multi-View Pre-training, GraphMVP)フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-10-07T17:48:57Z)
• 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)
• GeomGCL: Geometric Graph Contrastive Learning for Molecular Property Prediction [47.70253904390288]
  本研究では2次元および3次元ビューにまたがる分子の幾何を利用した新しいグラフコントラスト学習法を提案する。 具体的には、分子の2次元グラフと3次元グラフの両方のリッチな情報を適応的に活用するために、2次元幾何学的メッセージパッシングネットワーク(GeomMPNN)を考案する。
  論文  参考訳（メタデータ） (2021-09-24T03:55:27Z)
• Distance-Geometric Graph Convolutional Network (DG-GCN) for Three-Dimensional (3D) Graphs [0.8722210937404288]
  距離幾何学グラフ表現に基づくメッセージパッシンググラフ畳み込みネットワークを提案する。 距離からフィルタ重みの学習を可能にし、3次元グラフの幾何学をグラフ畳み込みに組み込む。 本研究は3次元グラフ,特に分子グラフ上でのエンドツーエンドディープラーニングにおけるDG-GCNの有用性と価値を示す。
  論文  参考訳（メタデータ） (2020-07-06T15:20:52Z)
• Geometric Graph Representations and Geometric Graph Convolutions for Deep Learning on Three-Dimensional (3D) Graphs [0.8722210937404288]
  ノードとエッジからなる三次元(3次元)グラフの幾何学は、多くの重要な応用において重要な役割を果たす。 我々は3種類の幾何グラフ表現を定義する: 位置、角度幾何学、距離幾何学である。 概念実証には幾何学的グラフ畳み込みに距離幾何学的グラフ表現を用いる。 ESOLおよびFreesolデータセットの幾何グラフ畳み込みの結果は、標準グラフ畳み込みよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2020-06-02T17:08:59Z)

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。