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
- Geometric-Facilitated Denoising Diffusion Model for 3D Molecule
Generation [34.82984280504958]
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) - Molecule Design by Latent Space Energy-Based Modeling and Gradual
Distribution Shifting [53.44684898432997]
化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。
本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。
本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
論文 参考訳(メタデータ) (2023-06-09T03:04:21Z) - 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) - Bidirectional Generation of Structure and Properties Through a Single
Molecular Foundation Model [44.60174246341653]
本稿では, 構造と生化学的性質を組み込んだ, 新規なマルチモーダル分子事前学習モデルを提案する。
提案するデータハンドリングおよびトレーニング目的のモデルパイプラインは、共通埋め込み空間における構造/プロパティの特徴を整合させる。
これらのコントリビューションは相乗的知識を生み出し、単一のモデルでマルチモーダルと非モーダルの両方の下流タスクに取り組むことができる。
論文 参考訳(メタデータ) (2022-11-19T05:16:08Z) - MDM: Molecular Diffusion Model for 3D Molecule Generation [19.386468094571725]
既存の拡散に基づく3D分子生成法は、不満足な性能に悩まされる可能性がある。
原子間関係は分子の3次元点雲表現にはない。
提案したモデルは、条件付きタスクと条件付きタスクの両方において、既存のメソッドよりも大幅に優れている。
論文 参考訳(メタデータ) (2022-09-13T03:40:18Z) - A Molecular Multimodal Foundation Model Associating Molecule Graphs with
Natural Language [63.60376252491507]
本稿では,分子グラフとその意味的関連テキストデータから事前学習した分子マルチモーダル基礎モデルを提案する。
我々のモデルは、生物学、化学、材料、環境、医学などの分野において、AIを動力とする分野に幅広い影響を与えるだろうと考えています。
論文 参考訳(メタデータ) (2022-09-12T00:56:57Z) - 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) - Exploring Chemical Space with Score-based Out-of-distribution Generation [57.15855198512551]
生成微分方程式(SDE)にアウト・オブ・ディストリビューション制御を組み込んだスコアベース拡散方式を提案する。
いくつかの新しい分子は現実世界の薬物の基本的な要件を満たしていないため、MOODは特性予測器からの勾配を利用して条件付き生成を行う。
我々はMOODがトレーニング分布を超えて化学空間を探索できることを実験的に検証し、既存の方法で見いだされた分子、そして元のトレーニングプールの上位0.01%までも生成できることを実証した。
論文 参考訳(メタデータ) (2022-06-06T06:17:11Z) - 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。