論文の概要: Semi-Equivariant Continuous Normalizing Flows for Target-Aware Molecule Generation

• arxiv url: http://arxiv.org/abs/2211.04754v1
• Date: Wed, 9 Nov 2022 09:16:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-10 17:59:45.972334
• Title: Semi-Equivariant Continuous Normalizing Flows for Target-Aware Molecule Generation
• Title（参考訳）: 準同変連続正規化流れによる分子生成
• Authors: Eyal Rozenberg and Daniel Freedman
• Abstract要約: 本研究では,対象分子の条件生成モデルを学習するためのアルゴリズムを提案する。 結合したい受容体分子が与えられたとき、条件付きモデルはそれに結合する可能性のある候補リガンド分子を生成する。 提案手法をCrossDocked 2020データセット上で評価し,競合する手法に対する結合親和性を大幅に改善した。
• 参考スコア（独自算出の注目度）: 14.182657807324999
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We propose an algorithm for learning a conditional generative model of a molecule given a target. Specifically, given a receptor molecule that one wishes to bind to, the conditional model generates candidate ligand molecules that may bind to it. The distribution should be invariant to rigid body transformations that act $\textit{jointly}$ on the ligand and the receptor; it should also be invariant to permutations of either the ligand or receptor atoms. Our learning algorithm is based on a continuous normalizing flow. We establish semi-equivariance conditions on the flow which guarantee the aforementioned invariance conditions on the conditional distribution. We propose a graph neural network architecture which implements this flow, and which is designed to learn effectively despite the vast differences in size between the ligand and receptor. We evaluate our method on the CrossDocked2020 dataset, attaining a significant improvement in binding affinity over competing methods.
• Abstract（参考訳）: 本研究では,対象分子の条件生成モデルを学習するためのアルゴリズムを提案する。 具体的には、ある受容体分子が結合したいと仮定すると、条件付きモデルはそれに結合する候補配位子分子を生成する。 分布は、リガンドと受容体に$\textit{jointly}$を作用する剛体変換に不変であり、リガンドまたは受容体原子の置換にも不変である。 我々の学習アルゴリズムは連続正規化フローに基づいている。 上記の不変性条件を条件分布上で保証する流れ上の半同分散条件を定式化する。 本稿では,この流れを実装し,リガンドと受容体の差が大きいにもかかわらず効果的に学習するグラフニューラルネットワークアーキテクチャを提案する。 提案手法をCrossDocked2020データセット上で評価し,競合する手法に対する結合親和性を大幅に改善した。

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)
• ET-Flow: Equivariant Flow-Matching for Molecular Conformer Generation [3.4146914514730633]
  低エネルギー分子配座の予測にET-Flow(Equivariant Transformer Flow)を導入する。 提案手法は,最小限の仮定で全原子座標を演算する,単純でスケーラブルな手法である。 ET-Flowは、より軽量で推論の速いモデルでありながら、生成したコンバータの精度と物理的妥当性を著しく向上させる。
  論文  参考訳（メタデータ） (2024-10-29T16:44:10Z)
• Derivative-Free Guidance in Continuous and Discrete Diffusion Models with Soft Value-Based Decoding [84.3224556294803]
  拡散モデルは、画像、分子、DNA、RNA、タンパク質配列の自然なデザイン空間を捉えるのに優れている。 これらの設計空間の自然性を保ちながら、下流の報酬関数を最適化することを目指している。 提案アルゴリズムは,中間雑音状態が将来高い報酬をもたらすことの先駆けとして,ソフトバリュー関数を統合する。
  論文  参考訳（メタデータ） (2024-08-15T16:47:59Z)
• Molecule Design by Latent Prompt Transformer [76.2112075557233]
  本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。 本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-27T03:33:23Z)
• Learning Invariant Molecular Representation in Latent Discrete Space [52.13724532622099]
  本稿では,分散シフトに対する不変性とロバスト性を示す分子表現を学習するための新しい枠組みを提案する。 我々のモデルは、様々な分布シフトが存在する場合に、最先端のベースラインに対してより強力な一般化を実現する。
  論文  参考訳（メタデータ） (2023-10-22T04:06:44Z)
• Modular Flows: Differential Molecular Generation [18.41106104201439]
  フローは、エンコーディングプロセスを反転させることで、分子を効果的に生成することができる。 既存のフローモデルでは、アーチファクトのデクタンス化や特定のノード/エッジの順序付けが必要となる。 我々はノードODEとグラフPDEのシステムに基づく連続正規化E(3)-同変フローを開発する。 我々のモデルは、メッセージパッシング時間ネットワークとしてキャストすることができ、その結果、密度推定と分子生成のタスクにおいて最上位のパフォーマンスが得られる。
  論文  参考訳（メタデータ） (2022-10-12T09:08:35Z)
• GeoDiff: a Geometric Diffusion Model for Molecular Conformation Generation [102.85440102147267]
  分子配座予測のための新しい生成モデルGeoDiffを提案する。 GeoDiffは、既存の最先端のアプローチよりも優れているか、あるいは同等であることを示す。
  論文  参考訳（メタデータ） (2022-03-06T09:47:01Z)
• Sparse Communication via Mixed Distributions [29.170302047339174]
  我々は「混合確率変数」の理論基盤を構築する。 本フレームワークは,混合確率変数の表現とサンプリングのための2つの戦略を提案する。 我々は、創発的な通信ベンチマークにおいて、両方のアプローチを実験する。
  論文  参考訳（メタデータ） (2021-08-05T14:49:03Z)
• Flow Network based Generative Models for Non-Iterative Diverse Candidate Generation [110.09855163856326]
  本稿では,アクションのシーケンスからオブジェクトを生成するためのポリシーを学習する問題について述べる。 本稿では,生成過程をフローネットワークとして見たGFlowNetを提案する。 提案した目的の任意のグローバルな最小限が、所望の分布から標本化する方針を導出することを証明する。
  論文  参考訳（メタデータ） (2021-06-08T14:21:10Z)

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。