論文の概要: Hybrid quantum-classical convolutional neural networks to improve molecular protein binding affinity predictions

• arxiv url: http://arxiv.org/abs/2301.06331v2
• Date: Wed, 18 Jan 2023 18:03:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-19 12:01:53.936208
• Title: Hybrid quantum-classical convolutional neural networks to improve molecular protein binding affinity predictions
• Title（参考訳）: 分子タンパク質結合親和性予測を改善するハイブリッド量子古典畳み込みニューラルネットワーク
• Authors: L. Domingo and M. Djukic and C. Johnson and F. Borondo
• Abstract要約: 本稿では,古典的ネットワークの複雑性を20%削減できるハイブリッド量子古典畳み込みニューラルネットワークを提案する。 その結果、トレーニングプロセスにおいて最大40%の大幅な時間節約が達成され、薬物発見プロセスの有意義なスピードアップが実現した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: One of the main challenges in drug discovery is to find molecules that bind specifically and strongly to their target protein while having minimal binding to other proteins. By predicting binding affinity, it is possible to identify the most promising candidates from a large pool of potential compounds, reducing the number of compounds that need to be tested experimentally. Recently, deep learning methods have shown superior performance than traditional computational methods for making accurate predictions on large datasets. However, the complexity and time-consuming nature of these methods have limited their usage and development. Quantum machine learning is an emerging technology that has the potential to improve many classical machine learning algorithms. In this work we present a hybrid quantum-classical convolutional neural network, which is able to reduce by 20% the complexity of the classical network while maintaining optimal performance in the predictions. Additionally, it results in a significant time savings of up to 40% in the training process, which means a meaningful speed up of the drug discovery process.
• Abstract（参考訳）: 薬物発見の主な課題の1つは、標的タンパク質に特異的に強く結合し、他のタンパク質に最小限に結合する分子を見つけることである。 結合親和性を予測することにより、潜在的な化合物の大きなプールから最も有望な候補を特定でき、実験で試される化合物の数を減らすことができる。 近年,大規模データセットで正確な予測を行うために,従来の計算手法よりも精度が向上している。 しかしながら、これらの方法の複雑さと時間を要する性質は、その使用と開発を制限している。 量子機械学習は多くの古典的な機械学習アルゴリズムを改善する可能性を秘めている。 本研究では,古典的ネットワークの複雑性を20%削減しつつ,予測の最適性能を維持したハイブリッド量子古典的畳み込みニューラルネットワークを提案する。 さらに、トレーニングプロセスにおいて最大40%の大幅な時間節約が達成され、薬物発見プロセスの有意義なスピードアップにつながります。

関連論文リスト

• Physical formula enhanced multi-task learning for pharmacokinetics prediction [54.13787789006417]
  AIによる薬物発見の大きな課題は、高品質なデータの不足である。 薬物動態の4つの重要なパラメータを同時に予測するPEMAL法を開発した。 実験の結果,PEMALは一般的なグラフニューラルネットワークに比べてデータ需要を著しく低減することがわかった。
  論文  参考訳（メタデータ） (2024-04-16T07:42:55Z)
• Hybrid quantum cycle generative adversarial network for small molecule generation [0.0]
  本研究は、パラメタライズド量子回路の既知の分子生成逆数ネットワークへの工学的統合に基づく、いくつかの新しい生成逆数ネットワークモデルを導入する。 導入された機械学習モデルには、強化学習原理に基づく新しいマルチパラメータ報酬関数が組み込まれている。
  論文  参考訳（メタデータ） (2023-12-28T14:10:26Z)
• A hybrid quantum-classical fusion neural network to improve protein-ligand binding affinity predictions for drug discovery [0.0]
  本稿では,薬物発見における親和性予測に適したハイブリッド量子古典的深層学習モデルを提案する。 具体的には、最適化量子アーキテクチャにおいて、3次元および空間グラフ畳み込みニューラルネットワークを相乗的に統合する。 シミュレーションの結果、既存の古典的モデルと比較して予測精度が6%向上し、従来の古典的手法に比べてはるかに安定した収束性能を示した。
  論文  参考訳（メタデータ） (2023-09-06T11:56:33Z)
• On the Interplay of Subset Selection and Informed Graph Neural Networks [3.091456764812509]
  この研究は、QM9データセットにおける分子の原子化エネルギーの予測に焦点を当てている。 トレーニングセット選択過程における分子多様性の最大化は,線形回帰法および非線形回帰法のロバスト性を高めることを示す。 また、モデルに依存しない説明器を用いて、グラフニューラルネットワークによる予測の信頼性を確認する。
  論文  参考訳（メタデータ） (2023-06-15T09:09:27Z)
• Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
  我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。 我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。 複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
  論文  参考訳（メタデータ） (2023-02-04T01:32:40Z)
• Problem-Dependent Power of Quantum Neural Networks on Multi-Class Classification [83.20479832949069]
  量子ニューラルネットワーク(QNN)は物理世界を理解する上で重要なツールとなっているが、その利点と限界は完全には理解されていない。 本稿では,多クラス分類タスクにおけるQCの問題依存力について検討する。 我々の研究はQNNの課題依存力に光を当て、その潜在的なメリットを評価するための実践的なツールを提供する。
  論文  参考訳（メタデータ） (2022-12-29T10:46:40Z)
• Deep learning applied to computational mechanics: A comprehensive review, state of the art, and the classics [77.34726150561087]
  人工知能,特に深層学習(DL)の最近の進歩を概観する。 ハイブリッドおよび純粋機械学習(ML)の手法について論じる。 AIの歴史と限界は、特に古典の誤解や誤解を指摘し、議論され、議論される。
  論文  参考訳（メタデータ） (2022-12-18T02:03:00Z)
• LIMO: Latent Inceptionism for Targeted Molecule Generation [14.391216237573369]
  本研究は,分子発生を極めて促進する分子発生機構であるLIMO(Latent Inceptionism on Molecules)について述べる。 総合的な実験により、LIMOはベンチマークタスクで競争力を発揮することが示された。 生成した薬物様化合物の1つが、ヒトエストロゲン受容体に対して6～14ドルのK_D$を予測している。
  論文  参考訳（メタデータ） (2022-06-17T21:05:58Z)
• Drug Discovery Approaches using Quantum Machine Learning [10.321495133438242]
  深層生成モデルと予測モデルは、薬物開発を支援するために広く採用されている。 そこで本研究では,小分子の生成,タンパク質の結合ポケットの分類,大分子の生成を行う量子機械学習手法を提案する。
  論文  参考訳（メタデータ） (2021-04-01T19:53:06Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• Explainable Deep Relational Networks for Predicting Compound-Protein Affinities and Contacts [80.69440684790925]
  Deep Relationsは物理にインスパイアされた、本質的に説明可能なアーキテクチャを持つディープリレーショナルネットワークである。 それは最先端技術に対する優れた解釈可能性を示している。 接触予測 9.5, 16.9, 19.3, 5.7 倍の AUPRC をテスト用、複合ユニク、タンパク質ユニク、両ユニクセットで強化する。
  論文  参考訳（メタデータ） (2019-12-29T00:14:07Z)

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。