論文の概要: MDM: Molecular Diffusion Model for 3D Molecule Generation

• arxiv url: http://arxiv.org/abs/2209.05710v1
• Date: Tue, 13 Sep 2022 03:40:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-14 13:15:24.799421
• Title: MDM: Molecular Diffusion Model for 3D Molecule Generation
• Title（参考訳）: MDM : 3次元分子生成のための分子拡散モデル
• Authors: Lei Huang, Hengtong Zhang, Tingyang Xu, Ka-Chun Wong
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 19.386468094571725
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Molecule generation, especially generating 3D molecular geometries from scratch (i.e., 3D \textit{de novo} generation), has become a fundamental task in drug designs. Existing diffusion-based 3D molecule generation methods could suffer from unsatisfactory performances, especially when generating large molecules. At the same time, the generated molecules lack enough diversity. This paper proposes a novel diffusion model to address those two challenges. First, interatomic relations are not in molecules' 3D point cloud representations. Thus, it is difficult for existing generative models to capture the potential interatomic forces and abundant local constraints. To tackle this challenge, we propose to augment the potential interatomic forces and further involve dual equivariant encoders to encode interatomic forces of different strengths. Second, existing diffusion-based models essentially shift elements in geometry along the gradient of data density. Such a process lacks enough exploration in the intermediate steps of the Langevin dynamics. To address this issue, we introduce a distributional controlling variable in each diffusion/reverse step to enforce thorough explorations and further improve generation diversity. Extensive experiments on multiple benchmarks demonstrate that the proposed model significantly outperforms existing methods for both unconditional and conditional generation tasks. We also conduct case studies to help understand the physicochemical properties of the generated molecules.
• Abstract（参考訳）: 分子生成、特にスクラッチから3次元分子ジオメトリー(すなわち3D \textit{de novo} 生成)は、薬物設計の基本的な課題となっている。 既存の拡散に基づく3D分子生成法は、特に大きな分子を生成する場合、不満足な性能に悩まされる可能性がある。 同時に、生成された分子には十分な多様性がない。 本稿では,これら2つの課題に対処する新しい拡散モデルを提案する。 まず、原子間関係は分子の3次元点雲表現にはない。 したがって、既存の生成モデルが潜在的な原子間力と豊富な局所的制約を捉えることは困難である。 この課題に取り組むために、原子間力の可能性を増強し、さらに異なる強度の原子間力をエンコードするための双対同変エンコーダを含むことを提案する。 第二に、既存の拡散ベースのモデルは基本的に、データ密度の勾配に沿って幾何学的要素をシフトさせる。 このような過程はランゲヴィン力学の中間段階における十分な探索を欠いている。 この問題に対処するため,各拡散/逆ステップに分布制御変数を導入し,徹底的な探索と生成の多様性の向上を図る。 複数のベンチマークに関する広範囲な実験により、提案手法が無条件生成タスクと条件生成タスクの両方において既存の手法を大幅に上回っていることが示されている。 また、生成分子の物理化学的性質を理解するためのケーススタディも実施する。

関連論文リスト

• Diffusion Models in $\textit{De Novo}$ Drug Design [0.0]
  拡散モデルは、特に3次元分子構造の文脈において、分子生成の強力なツールとして登場した。 本稿では,3次元分子生成に適した拡散モデルの技術的実装について述べる。
  論文  参考訳（メタデータ） (2024-06-07T06:34:13Z)
• LDMol: Text-Conditioned Molecule Diffusion Model Leveraging Chemically Informative Latent Space [55.5427001668863]
  本稿では, LDMol と呼ばれる新しい潜伏拡散モデルを提案する。 具体的には、化学情報的特徴空間を生成する分子エンコーダ、拡散変換器(DiT)を用いた自然言語条件の潜伏拡散モデル、および分子回帰のための自己回帰デコーダの3つの構成要素から構成される。
  論文  参考訳（メタデータ） (2024-05-28T04:59:13Z)
• 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)
• Functional-Group-Based Diffusion for Pocket-Specific Molecule Generation and Elaboration [63.23362798102195]
  ポケット特異的分子生成とエラボレーションのための機能群に基づく拡散モデルD3FGを提案する。 D3FGは分子を、剛体として定義される官能基と質量点としてのリンカーの2つのカテゴリに分解する。 実験では, より現実的な3次元構造, タンパク質標的に対する競合親和性, 薬物特性の良好な分子を生成できる。
  論文  参考訳（メタデータ） (2023-05-30T06:41:20Z)
• Learning Joint 2D & 3D Diffusion Models for Complete Molecule Generation [32.66694406638287]
  本研究では, 原子型, 正式な電荷, 結合情報, および3次元座標を持つ分子を生成する結合2Dおよび3D拡散モデル(JODO)を提案する。 我々のモデルは、単一または複数の量子特性をターゲットにした逆分子設計のために拡張することもできる。
  論文  参考訳（メタデータ） (2023-05-21T04:49:53Z)
• MolDiff: Addressing the Atom-Bond Inconsistency Problem in 3D Molecule Diffusion Generation [10.414397377962485]
  深部生成モデルは最近、3次元分子生成において優れた性能を達成している。 それらの多くは最初に原子を生成し、その後、生成した原子に基づいて化学結合を後処理で付加する。 我々は、この問題を原子結合不整合問題として定義し、非現実的な3D分子を生成するための現在のアプローチの主な理由であると主張している。
  論文  参考訳（メタデータ） (2023-05-11T08:11:19Z)
• Geometric Latent Diffusion Models for 3D Molecule Generation [172.15028281732737]
  生成モデル、特に拡散モデル(DM)は、特徴豊富な測地を生成する上で有望な結果を得た。 我々はGeoLDM(Geometric Latent Diffusion Models)と呼ばれる新しい3次元分子生成法を提案する。
  論文  参考訳（メタデータ） (2023-05-02T01:07:22Z)
• MUDiff: Unified Diffusion for Complete Molecule Generation [104.7021929437504]
  本稿では,原子の特徴,2次元離散分子構造,および3次元連続分子座標を含む分子の包括的表現を生成する新しいモデルを提案する。 拡散過程を認知するための新しいグラフトランスフォーマーアーキテクチャを提案する。 我々のモデルは、安定で多様な分子を設計するための有望なアプローチであり、分子モデリングの幅広いタスクに適用できる。
  論文  参考訳（メタデータ） (2023-04-28T04:25:57Z)
• DiffBP: Generative Diffusion of 3D Molecules for Target Protein Binding [51.970607704953096]
  従来の研究は通常、原子の要素タイプと3次元座標を1つずつ生成する自己回帰的な方法で原子を生成する。 現実世界の分子系では、分子全体の原子間の相互作用が大域的であり、原子間のエネルギー関数が結合する。 本研究では、標的タンパク質に基づく分子3次元構造の生成拡散モデルを構築し、非自己回帰的に全原子レベルで構築する。
  論文  参考訳（メタデータ） (2022-11-21T07:02:15Z)
• Equivariant Diffusion for Molecule Generation in 3D [74.289191525633]
  この研究は、ユークリッド変換に同値な3次元の分子計算生成のための拡散モデルを導入する。 提案手法は, 従来の3次元分子生成法に比べて, 生成した試料の品質と訓練時の効率を著しく向上させる。
  論文  参考訳（メタデータ） (2022-03-31T12:52:25Z)

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。