論文の概要: Diffusion-based Molecule Generation with Informative Prior Bridges

• arxiv url: http://arxiv.org/abs/2209.00865v1
• Date: Fri, 2 Sep 2022 07:52:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-05 12:37:30.285486
• Title: Diffusion-based Molecule Generation with Informative Prior Bridges
• Title（参考訳）: インフォメーションプリアーブリッジを用いた拡散に基づく分子生成
• Authors: Lemeng Wu, Chengyue Gong, Xingchao Liu, Mao Ye, Qiang Liu
• Abstract要約: 本稿では,物理・統計的事前情報を用いた拡散型生成モデルの学習を支援するための,シンプルで新しい手法を提案する。 本稿では,リアプノフ関数を用いた橋梁の構築と決定手法を開発し,情報的事前橋梁の提案を多数提案する。 包括的実験により,本手法は3次元生成タスクに強力なアプローチを提供することを示す。
• 参考スコア（独自算出の注目度）: 36.42431578790136
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI-based molecule generation provides a promising approach to a large area of biomedical sciences and engineering, such as antibody design, hydrolase engineering, or vaccine development. Because the molecules are governed by physical laws, a key challenge is to incorporate prior information into the training procedure to generate high-quality and realistic molecules. We propose a simple and novel approach to steer the training of diffusion-based generative models with physical and statistics prior information. This is achieved by constructing physically informed diffusion bridges, stochastic processes that guarantee to yield a given observation at the fixed terminal time. We develop a Lyapunov function based method to construct and determine bridges, and propose a number of proposals of informative prior bridges for both high-quality molecule generation and uniformity-promoted 3D point cloud generation. With comprehensive experiments, we show that our method provides a powerful approach to the 3D generation task, yielding molecule structures with better quality and stability scores and more uniformly distributed point clouds of high qualities.
• Abstract（参考訳）: AIベースの分子生成は、抗体設計、ヒドロラーゼ工学、ワクチン開発など、バイオメディカル科学と工学の幅広い分野への有望なアプローチを提供する。 分子は物理法則によって支配されるため、事前情報を訓練手順に組み込んで高品質で現実的な分子を生成することが重要な課題である。 本稿では,物理および統計情報を用いた拡散型生成モデルの学習を支援するための,シンプルで新しい手法を提案する。 これは、物理的に情報を得た拡散ブリッジ、固定終端時刻に所定の観測値が得られることを保証する確率過程を構築することで達成される。 Lyapunov関数を用いた橋梁の構築と決定手法を開発し,高品質な分子生成と均一な3次元点雲生成のための情報的先行橋の提案を行った。 包括的実験により,本手法は,高品質で安定な分子構造と,高品質で均一に分布する点雲の3次元生成に強力なアプローチを提供することを示す。

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)
• Aligning Target-Aware Molecule Diffusion Models with Exact Energy Optimization [147.7899503829411]
  AliDiffは、事前訓練されたターゲット拡散モデルと望ましい機能特性を整合させる新しいフレームワークである。 最先端の結合エネルギーを持つ分子を最大7.07 Avg. Vina Scoreで生成することができる。
  論文  参考訳（メタデータ） (2024-07-01T06:10:29Z)
• ControlMol: Adding Substruture Control To Molecule Diffusion Models [2.8372258697984627]
  拡散モデルを用いた分子生成にサブ構造制御を加える制御Molを提案する。 本手法を2次元および3次元分子生成タスクに適用する。
  論文  参考訳（メタデータ） (2024-04-22T14:36:19Z)
• DecompDiff: Diffusion Models with Decomposed Priors for Structure-Based Drug Design [62.68420322996345]
  既存の構造に基づく薬物設計法は、すべての配位子原子を等しく扱う。 腕と足場を分解した新しい拡散モデルDecompDiffを提案する。 提案手法は,高親和性分子の生成における最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-02-26T05:21:21Z)
• Geometric-Facilitated Denoising Diffusion Model for 3D Molecule Generation [32.464905769094536]
  既存の拡散に基づくデノボ3次元分子生成法は2つの大きな課題に直面している。 本研究では,グローバル空間関係を完全に抽出し,高品質な表現を学習するためのDual-Track Transformer Network(DTN)を提案する。 第2の課題は、エッジを直接潜伏空間に埋め込むのではなく、トレーニング期間中に結合の形成に介入する幾何学的識別損失(GFLoss)を設計することである。
  論文  参考訳（メタデータ） (2024-01-05T07:29:21Z)
• Modeling Molecular Structures with Intrinsic Diffusion Models [2.487445341407889]
  本論文は本質的拡散モデリングを提案する。 拡散生成モデルと生物学的複合体の柔軟性に関する科学的知識を組み合わせる。 計算化学と生物学に基づく2つの基本的な課題に対して,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-02-23T03:26:48Z)
• Retrieval-based Controllable Molecule Generation [63.44583084888342]
  制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。 我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。 提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
  論文  参考訳（メタデータ） (2022-08-23T17:01:16Z)
• Generating stable molecules using imitation and reinforcement learning [0.0]
  カルテシアン座標における分子生成のための強化学習手法を提案する。 我々は、GDB-11データベース上での模倣学習から基本的な化学規則を学び、初期モデルを作成する。 次に、強化学習環境において、特定の統計量で条件付けられたモデルの複数のコピーをデプロイする。
  論文  参考訳（メタデータ） (2021-07-11T10:18:19Z)
• Learning Neural Generative Dynamics for Molecular Conformation Generation [89.03173504444415]
  分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。 分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-02-20T03:17:58Z)

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。