論文の概要: Computer-Aided Multi-Objective Optimization in Small Molecule Discovery

• arxiv url: http://arxiv.org/abs/2210.07209v1
• Date: Thu, 13 Oct 2022 17:33:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-14 17:46:05.753870
• Title: Computer-Aided Multi-Objective Optimization in Small Molecule Discovery
• Title（参考訳）: 小分子発見におけるコンピュータ支援多目的最適化
• Authors: Jenna C. Fromer and Connor W. Coley
• Abstract要約: 多目的分子発見のためのプールベースおよびデノボ生成手法について述べる。 プール型分子発見は,多目的ベイズ最適化の比較的直接的な拡張であることを示す。 この分野で残る課題と機会について論じる。
• 参考スコア（独自算出の注目度）: 3.032184156362992
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Molecular discovery is a multi-objective optimization problem that requires identifying a molecule or set of molecules that balance multiple, often competing, properties. Multi-objective molecular design is commonly addressed by combining properties of interest into a single objective function using scalarization, which imposes assumptions about relative importance and uncovers little about the trade-offs between objectives. In contrast to scalarization, Pareto optimization does not require knowledge of relative importance and reveals the trade-offs between objectives. However, it introduces additional considerations in algorithm design. In this review, we describe pool-based and de novo generative approaches to multi-objective molecular discovery with a focus on Pareto optimization algorithms. We show how pool-based molecular discovery is a relatively direct extension of multi-objective Bayesian optimization and how the plethora of different generative models extend from single-objective to multi-objective optimization in similar ways using non-dominated sorting in the reward function (reinforcement learning) or to select molecules for retraining (distribution learning) or propagation (genetic algorithms). Finally, we discuss some remaining challenges and opportunities in the field, emphasizing the opportunity to adopt Bayesian optimization techniques into multi-objective de novo design.
• Abstract（参考訳）: 分子発見は多目的最適化問題であり、複数の(しばしば競合する)性質のバランスをとる分子や分子群を特定する必要がある。 多目的分子設計(multi-objective molecular design)は、関心のプロパティをスカラー化を用いて単一の目的関数に結合することで、一般的に対処される。 スカラー化とは対照的に、パレート最適化は相対的な重要性の知識を必要とせず、目的間のトレードオフを明らかにする。 しかし、アルゴリズム設計における追加の考慮を導入する。 本稿では,パレート最適化アルゴリズムに着目した多目的分子発見のためのプールベースおよびデノボ生成手法について述べる。 プール型分子発見が,多目的ベイズ最適化の比較的直接的な拡張であることを示すとともに,単一目的から多目的最適化まで,非支配的ソートを報酬関数(強化学習)や再訓練(分配学習)や伝播(遺伝アルゴリズム)に使用する分子の選択を用いて,様々な生成モデルの多様さがどのように拡張されるかを示す。 最後に,ベイズ最適化手法を多目的デノボ設計に適用する機会を強調し,この分野における課題と機会について論じる。

関連論文リスト

• Efficient Evolutionary Search Over Chemical Space with Large Language Models [31.31899988523534]
  最適化の目的は区別できない。 化学対応大規模言語モデル(LLM)を進化的アルゴリズムに導入する。 我々のアルゴリズムは最終解の質と収束速度の両方を改善する。
  論文  参考訳（メタデータ） (2024-06-23T06:22:49Z)
• Pareto Optimization to Accelerate Multi-Objective Virtual Screening [11.356174411578515]
  EGFRおよびIGF1Rの選択的二重阻害剤であると考えられる4M分子の仮想ライブラリーを探索するツールを開発した。 このワークフローと関連するオープンソースソフトウェアは、分子設計プロジェクトのスクリーニング負担を軽減することができる。
  論文  参考訳（メタデータ） (2023-10-16T17:19:46Z)
• Sample-efficient Multi-objective Molecular Optimization with GFlowNets [5.030493242666028]
  ハイパーネットワークに基づくGFlowNets(HN-GFN)を利用した多目的ベイズ最適化(MOBO)アルゴリズムを提案する。 HN-GFNは、単一の嗜好条件のハイパーネットワークを用いて、目的間の様々なトレードオフを探索することを学ぶ。 実世界の様々な環境での実験により、我々のフレームワークは、候補品質とサンプル効率の点で、既存の手法よりも圧倒的に優れていることが示された。
  論文  参考訳（メタデータ） (2023-02-08T13:30:28Z)
• Molecule optimization via multi-objective evolutionary in implicit chemical space [8.72872397589296]
  MOMOは、化学知識の学習と多目的進化探索を組み合わせた多目的分子最適化フレームワークである。 4つの多目的特性と類似性最適化タスクにおけるMOMOの性能を実証し、ケーススタディを通してMOMOの探索能力を示す。
  論文  参考訳（メタデータ） (2022-12-17T09:09:23Z)
• Multi-Objective GFlowNets [59.16787189214784]
  本稿では,多目的最適化の文脈において,多様な候補を生成する問題について検討する。 薬物発見やマテリアルデザインといった機械学習の多くの応用において、目標は、競合する可能性のある目標のセットを同時に最適化する候補を生成することである。 GFlowNetsをベースとした多目的GFlowNets(MOGFNs)を提案する。
  論文  参考訳（メタデータ） (2022-10-23T16:15:36Z)
• A Pareto-optimal compositional energy-based model for sampling and optimization of protein sequences [55.25331349436895]
  深層生成モデルは、生命科学における逆問題に対する一般的な機械学習ベースのアプローチとして登場した。 これらの問題は、データ分布の学習に加えて、興味のある複数の特性を満たす新しい設計をサンプリングする必要があることが多い。
  論文  参考訳（メタデータ） (2022-10-19T19:04:45Z)
• Multi-Task Learning on Networks [0.0]
  マルチタスク学習コンテキストで発生する多目的最適化問題は、特定の特徴を持ち、アドホックな方法を必要とする。 この論文では、入力空間の解は、関数評価に含まれる知識をカプセル化した確率分布として表現される。 確率分布のこの空間では、ワッサーシュタイン距離によって与えられる計量が与えられ、モデルが目的関数に直接依存しないような新しいアルゴリズムMOEA/WSTを設計することができる。
  論文  参考訳（メタデータ） (2021-12-07T09:13:10Z)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)
• Model-agnostic multi-objective approach for the evolutionary discovery of mathematical models [55.41644538483948]
  現代のデータ科学では、どの部分がより良い結果を得るために置き換えられるかというモデルの性質を理解することがより興味深い。 合成データ駆動型モデル学習において,多目的進化最適化を用いてアルゴリズムの所望特性を求める。
  論文  参考訳（メタデータ） (2021-07-07T11:17:09Z)
• Provable Multi-Objective Reinforcement Learning with Generative Models [98.19879408649848]
  目的の選好から最適な政策を学習する単一政策 MORL の問題について検討する。 既存の方法は、多目的決定プロセスの正確な知識のような強い仮定を必要とする。 モデルベースエンベロップ値 (EVI) と呼ばれる新しいアルゴリズムを提案し, 包含された多目的$Q$学習アルゴリズムを一般化する。
  論文  参考訳（メタデータ） (2020-11-19T22:35:31Z)
• MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [51.00815310242277]
  生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。 本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
  論文  参考訳（メタデータ） (2020-10-05T20:18:42Z)

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。