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
- Inverse Molecular Design with Multi-Conditional Diffusion Guidance [18.116751654677905]
マルチ条件拡散誘導を導入する。
Transformerベースのデノナイジングモデルは、数値的およびカテゴリー的条件の表現を学習する条件エンコーダを備えている。
我々は多条件ポリマーと小分子生成モデルについて広範囲に検証した。
論文 参考訳(メタデータ) (2024-01-24T23:45:31Z) - 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) - Towards Predicting Equilibrium Distributions for Molecular Systems with
Deep Learning [60.02391969049972]
本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。
DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
論文 参考訳(メタデータ) (2023-06-08T17:12:08Z) - 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) - Torsional Diffusion for Molecular Conformer Generation [28.225704750892795]
ねじれ拡散は、ねじれ角の空間で動作する新しい拡散フレームワークである。
薬物様分子の標準ベンチマークでは、ねじり拡散は優れたコンフォメーラーアンサンブルを生成する。
我々のモデルは、最初の一般化可能なボルツマン生成器を構築するために使われる正確な確率を与える。
論文 参考訳(メタデータ) (2022-06-01T04:30:41Z) - 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) - Top-N: Equivariant set and graph generation without exchangeability [61.24699600833916]
集合やグラフ上の分布の前にベクトル形状をマッピングするワンショット確率デコーダを考える。
これらの機能は、可変オートエンコーダ(VAE)、生成逆数ネットワーク(GAN)、正規化フローに統合することができる。
Top-nは、トレーニング可能な参照セットから最も関連性の高いポイントを選択することを学ぶ、決定論的で非交換可能なセット生成メカニズムである。
論文 参考訳(メタデータ) (2021-10-05T14:51:19Z) - 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) - MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [66.84839948236478]
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。