論文の概要: MolGraph: a Python package for the implementation of molecular graphs
and graph neural networks with TensorFlow and Keras
- arxiv url: http://arxiv.org/abs/2208.09944v4
- Date: Mon, 4 Sep 2023 13:30:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-07 11:15:01.688165
- Title: MolGraph: a Python package for the implementation of molecular graphs
and graph neural networks with TensorFlow and Keras
- Title(参考訳): MolGraph:TensorFlowとKerasを使った分子グラフとグラフニューラルネットワークの実装のためのPythonパッケージ
- Authors: Alexander Kensert, Gert Desmet, Deirdre Cabooter
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 51.92255321684027
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Molecular machine learning (ML) has proven important for tackling various
molecular problems, such as predicting molecular properties based on molecular
descriptors or fingerprints. Since relatively recently, graph neural network
(GNN) algorithms have been implemented for molecular ML, showing comparable or
superior performance to descriptor or fingerprint-based approaches. Although
various tools and packages exist to apply GNNs in molecular ML, a new GNN
package, named MolGraph, was developed in this work with the motivation to
create GNN model pipelines highly compatible with the TensorFlow and Keras
application programming interface (API). MolGraph also implements a chemistry
module to accommodate the generation of small molecular graphs, which can be
passed to a GNN algorithm to solve a molecular ML problem. To validate the
GNNs, they were benchmarked against the datasets of MoleculeNet, as well as
three chromatographic retention time datasets. The results on these benchmarks
illustrate that the GNNs performed as expected. Additionally, the GNNs proved
useful for molecular identification and improved interpretability of
chromatographic retention time data. MolGraph is available at
https://github.com/akensert/molgraph. Installation, tutorials and
implementation details can be found at
https://molgraph.readthedocs.io/en/latest/.
- Abstract(参考訳): 分子機械学習(ML)は、分子記述子や指紋に基づく分子特性の予測など、様々な分子問題に取り組む上で重要であることが証明されている。
比較的最近になって、graph neural network(gnn)アルゴリズムが分子ml向けに実装され、ディスクリプタや指紋ベースのアプローチと同等あるいは優れたパフォーマンスを示している。
分子MLにGNNを適用するためのさまざまなツールやパッケージが存在するが、新しいGNNパッケージであるMorGraphは、TensorFlowやKerasアプリケーションプログラミングインターフェース(API)と高い互換性を持つGNNモデルパイプラインを作成する動機によって、この作業で開発された。
MolGraphはまた、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を検証するため、MoeculeNetのデータセットと3つのクロマトグラフィー保持時間データセットとをベンチマークした。
これらのベンチマークの結果は、GNNが期待通りに実行したことを示している。
さらに、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を改善した。
MolGraphはhttps://github.com/akensert/molgraph.comから入手できる。
インストール、チュートリアル、実装の詳細はhttps://molgraph.readthedocs.io/en/latest/にある。
関連論文リスト
- Spatio-Spectral Graph Neural Networks [50.277959544420455]
比スペクトルグラフネットワーク(S$2$GNN)を提案する。
S$2$GNNは空間的およびスペクトル的にパラメータ化されたグラフフィルタを組み合わせる。
S$2$GNNsは、MPGNNsよりも厳密な近似理論誤差境界を生じる。
論文 参考訳(メタデータ) (2024-05-29T14:28:08Z) - Molecular Property Prediction Based on Graph Structure Learning [29.516479802217205]
我々はGSL-MPPと呼ばれるグラフ構造学習(GSL)に基づくMPPアプローチを提案する。
具体的には、まず、分子グラフ上にグラフニューラルネットワーク(GNN)を適用し、分子表現を抽出する。
分子指紋を用いて分子類似性グラフ(MSG)を構築する。
論文 参考訳(メタデータ) (2023-12-28T06:45:13Z) - MolGrapher: Graph-based Visual Recognition of Chemical Structures [50.13749978547401]
化学構造を視覚的に認識するためにMolGrapherを導入する。
すべての候補原子と結合をノードとして扱い、それらをグラフ化する。
グラフニューラルネットワークを用いてグラフ内の原子と結合ノードを分類する。
論文 参考訳(メタデータ) (2023-08-23T16:16:11Z) - MolCPT: Molecule Continuous Prompt Tuning to Generalize Molecular
Representation Learning [77.31492888819935]
分子表現学習のための「プリトレイン,プロンプト,ファインチューン」という新しいパラダイム,分子連続プロンプトチューニング(MolCPT)を提案する。
MolCPTは、事前訓練されたモデルを使用して、スタンドアロンの入力を表現的なプロンプトに投影するモチーフプロンプト関数を定義する。
いくつかのベンチマークデータセットの実験により、MollCPTは分子特性予測のために学習済みのGNNを効率的に一般化することが示された。
論文 参考訳(メタデータ) (2022-12-20T19:32:30Z) - Graph Neural Networks for Molecules [9.04563945965023]
本稿では、GNNとその様々な有機分子への応用について紹介する。
GNNは、ノード機能を反復的に更新するために、汎用的で強力なフレームワークであるメッセージパッシング操作に依存している。
論文 参考訳(メタデータ) (2022-09-12T20:10:07Z) - HiGNN: Hierarchical Informative Graph Neural Networks for Molecular
Property Prediction Equipped with Feature-Wise Attention [5.735627221409312]
分子特性を予測するための階層型情報グラフニューラルネットワークフレームワーク(HiGNN)を提案する。
実験により、HiGNNは、多くの挑戦的な薬物発見関連ベンチマークデータセットに対して最先端の予測性能を達成することが示された。
論文 参考訳(メタデータ) (2022-08-30T05:16:15Z) - Graph neural networks for the prediction of molecular structure-property
relationships [59.11160990637615]
グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。
GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。
本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
論文 参考訳(メタデータ) (2022-07-25T11:30:44Z) - FunQG: Molecular Representation Learning Via Quotient Graphs [0.0]
本稿ではFunQGという新しい分子グラフ粗化フレームワークを提案する。
FunQGは、その性質を決定するために分子の影響力のある構成要素として官能基を用いる。
得られた情報グラフは,分子グラフよりもはるかに小さいため,GNNの訓練に適していることを示す。
論文 参考訳(メタデータ) (2022-07-18T13:36:20Z) - Motif-based Graph Self-Supervised Learning forMolecular Property
Prediction [12.789013658551454]
グラフニューラルネットワーク(GNN)は、様々な分子生成および予測タスクにおいて顕著な成功を収めている。
既存のGNN用の自己教師付き事前トレーニングフレームワークのほとんどは、ノードレベルまたはグラフレベルのタスクのみに焦点を当てている。
GNNのための新しい自己教師型モチーフ生成フレームワークを提案する。
論文 参考訳(メタデータ) (2021-10-03T11:45:51Z) - Self-Supervised Graph Transformer on Large-Scale Molecular Data [73.3448373618865]
分子表現学習のための新しいフレームワークGROVERを提案する。
GROVERは、分子の豊富な構造的および意味的な情報を、巨大な未標識分子データから学習することができる。
分子表現学習において、最大のGNNであり、最大のトレーニングデータセットである、1000万個の未標識分子に1億のパラメータを持つGROVERを事前訓練します。
論文 参考訳(メタデータ) (2020-06-18T08:37:04Z)
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。