論文の概要: A Pareto-optimal compositional energy-based model for sampling and optimization of protein sequences

• arxiv url: http://arxiv.org/abs/2210.10838v1
• Date: Wed, 19 Oct 2022 19:04:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-21 16:03:19.494318
• Title: A Pareto-optimal compositional energy-based model for sampling and optimization of protein sequences
• Title（参考訳）: タンパク質配列のサンプリングと最適化のためのパレート最適構成エネルギーモデル
• Authors: Nata\v{s}a Tagasovska, Nathan C. Frey, Andreas Loukas, Isidro H\"otzel, Julien Lafrance-Vanasse, Ryan Lewis Kelly, Yan Wu, Arvind Rajpal, Richard Bonneau, Kyunghyun Cho, Stephen Ra, Vladimir Gligorijevi\'c
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 55.25331349436895
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep generative models have emerged as a popular machine learning-based approach for inverse design problems in the life sciences. However, these problems often require sampling new designs that satisfy multiple properties of interest in addition to learning the data distribution. This multi-objective optimization becomes more challenging when properties are independent or orthogonal to each other. In this work, we propose a Pareto-compositional energy-based model (pcEBM), a framework that uses multiple gradient descent for sampling new designs that adhere to various constraints in optimizing distinct properties. We demonstrate its ability to learn non-convex Pareto fronts and generate sequences that simultaneously satisfy multiple desired properties across a series of real-world antibody design tasks.
• Abstract（参考訳）: 深層生成モデルは、生命科学における逆設計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。 しかし、これらの問題はしばしばデータ分布の学習に加えて、関心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。 この多目的最適化は、性質が互いに独立で直交するときにさらに困難になる。 本研究では,様々な制約を満たして異なる特性を最適化する新しい設計をサンプリングするために,複数の勾配降下を用いたパレートコンポジションエネルギーベースモデル(pcebm)を提案する。 非凸パレートフロントを学習し、現実の抗体設計タスクで複数の望ましい特性を同時に満たす配列を生成する能力を実証する。

関連論文リスト

• PROUD: PaRetO-gUided Diffusion Model for Multi-objective Generation [5.857005000779272]
  本稿では,PaRetO-gUided Diffusion Model (PROUD)を導入する。 画像生成タスクとタンパク質生成タスクに対する評価は, ProUDが常に優れた生成品質を維持していることを示す。
  論文  参考訳（メタデータ） (2024-07-05T13:32:06Z)
• Diffusion Model for Data-Driven Black-Box Optimization [54.25693582870226]
  我々は、強力な生成AI技術である拡散モデルに注目し、ブラックボックス最適化の可能性について検討する。 本研究では,1)実数値報酬関数のノイズ測定と,2)対比較に基づく人間の嗜好の2種類のラベルについて検討する。 提案手法は,設計最適化問題を条件付きサンプリング問題に再構成し,拡散モデルのパワーを有効活用する。
  論文  参考訳（メタデータ） (2024-03-20T00:41:12Z)
• Compositional Generative Inverse Design [69.22782875567547]
  入力変数を設計して目的関数を最適化する逆設計は重要な問題である。 拡散モデルにより得られた学習エネルギー関数を最適化することにより、そのような逆例を避けることができることを示す。 N-body 相互作用タスクと2次元多面体設計タスクにおいて,実験時に学習した拡散モデルを構成することにより,初期状態と境界形状を設計できることを示す。
  論文  参考訳（メタデータ） (2024-01-24T01:33:39Z)
• Dynamic Latent Separation for Deep Learning [67.62190501599176]
  機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。 本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
  論文  参考訳（メタデータ） (2022-10-07T17:56:53Z)
• Batched Data-Driven Evolutionary Multi-Objective Optimization Based on Manifold Interpolation [6.560512252982714]
  バッチ化されたデータ駆動型進化的多目的最適化を実現するためのフレームワークを提案する。 オフザシェルフ進化的多目的最適化アルゴリズムがプラグイン方式で適用できるのは、非常に一般的である。 提案するフレームワークは, より高速な収束と各種PF形状に対する強いレジリエンスを特徴とする。
  論文  参考訳（メタデータ） (2021-09-12T23:54:26Z)
• Joint Continuous and Discrete Model Selection via Submodularity [1.332560004325655]
  機械学習のモデル選択問題では、意味のある構造を持つ優れたモデルに対する欲求は、典型的には正規化された最適化問題によって表される。 しかし、多くのシナリオでは、数値的に意味のある構造が離散空間において特定され、難しい非最適化問題を引き起こす。 我々は、ロバスト最適化によって動機づけられた特定の問題クラスに対して、単純な連続的あるいは離散的な制約をいかに扱うかを示す。
  論文  参考訳（メタデータ） (2021-02-17T21:14:47Z)
• Controlled Molecule Generator for Optimizing Multiple Chemical Properties [9.10095508718581]
  2つの制約ネットワークを持つトランスフォーマーに基づく新しい最適化された分子生成モデルを提案する。 実験により,提案モデルでは,複数の特性を同時に最適化する上で,最先端モデルよりも有意な差が認められた。
  論文  参考訳（メタデータ） (2020-10-26T21:26:14Z)
• Conditional Generative Modeling via Learning the Latent Space [54.620761775441046]
  マルチモーダル空間における条件生成のための新しい枠組みを提案する。 潜在変数を使って一般化可能な学習パターンをモデル化する。 推論では、潜伏変数は複数の出力モードに対応する最適解を見つけるために最適化される。
  論文  参考訳（メタデータ） (2020-10-07T03:11:34Z)
• Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
  本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。 提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-10-05T20:03:13Z)
• Uncertainty Modelling in Risk-averse Supply Chain Systems Using Multi-objective Pareto Optimization [0.0]
  サプライチェーンモデリングにおける困難なタスクの1つは、不規則な変動に対して堅牢なモデルを構築することである。 我々は、不確実性を扱うためのパレート最適化(Pareto Optimization)という新しい手法を導入し、これらの不確実性のエントロピーをアプリオリ仮定の下で明示的にモデル化することで拘束する。
  論文  参考訳（メタデータ） (2020-04-24T21:04:25Z)

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。