論文の概要: Do Deep Learning Methods Really Perform Better in Molecular Conformation Generation?

• arxiv url: http://arxiv.org/abs/2302.07061v1
• Date: Tue, 14 Feb 2023 14:21:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-16 16:45:45.910353
• Title: Do Deep Learning Methods Really Perform Better in Molecular Conformation Generation?
• Title（参考訳）: ディープラーニング手法は分子情報生成に優れているか?
• Authors: Gengmo Zhou, Zhifeng Gao, Zhewei Wei, Hang Zheng, Guolin Ke
• Abstract要約: 従来のMDG法に基づくシンプルで安価なアルゴリズムを設計する。 GEOM-QM9 や GEOM-Drugs のベンチマークでは,ディープラーニングに基づく MCG 手法に匹敵する,あるいは性能に優れていた。
• 参考スコア（独自算出の注目度）: 22.066936609140715
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Molecular conformation generation (MCG) is a fundamental and important problem in drug discovery. Many traditional methods have been developed to solve the MCG problem, such as systematic searching, model-building, random searching, distance geometry, molecular dynamics, Monte Carlo methods, etc. However, they have some limitations depending on the molecular structures. Recently, there are plenty of deep learning based MCG methods, which claim they largely outperform the traditional methods. However, to our surprise, we design a simple and cheap algorithm (parameter-free) based on the traditional methods and find it is comparable to or even outperforms deep learning based MCG methods in the widely used GEOM-QM9 and GEOM-Drugs benchmarks. In particular, our design algorithm is simply the clustering of the RDKIT-generated conformations. We hope our findings can help the community to revise the deep learning methods for MCG. The code of the proposed algorithm could be found at https://gist.github.com/ZhouGengmo/5b565f51adafcd911c0bc115b2ef027c.
• Abstract（参考訳）: 分子コンフォメーション生成(mcg)は、創薬において基本的かつ重要な問題である。 体系的探索、モデル構築、ランダム探索、距離幾何学、分子動力学、モンテカルロ法など、多くの伝統的な手法がmcg問題を解決するために開発されている。 しかし、分子構造によってはいくつかの制限がある。 近年,深層学習に基づくMDG手法が数多く存在しており,従来の手法よりも優れていると主張している。 しかし、意外なことに、従来の手法に基づく単純で安価なアルゴリズム(パラメータフリー)を設計し、広く使われているGEOM-QM9およびGEOM-Drugsベンチマークにおいて、ディープラーニングベースのMDG手法に匹敵する、あるいは性能に優れていることを発見した。 特に,設計アルゴリズムはRDKIT生成コンフォメーションのクラスタリングである。 コミュニティがmcgのディープラーニング手法を改訂する上で,私たちの調査結果が役立つことを願っています。 提案アルゴリズムのコードはhttps://gist.github.com/zhougengmo/5b565f51adafcd911c0bc115b2ef027cにある。

関連論文リスト

• Classifier-guided Gradient Modulation for Enhanced Multimodal Learning [50.7008456698935]
  Gradient-Guided Modulation (CGGM) は,マルチモーダル学習と勾配のバランスをとる新しい手法である。 UPMC-Food 101, CMU-MOSI, IEMOCAP, BraTSの4つのマルチモーダルデータセットについて広範な実験を行った。 CGGMはすべてのベースラインや最先端のメソッドを一貫して上回る。
  論文  参考訳（メタデータ） (2024-11-03T02:38:43Z)
• From Cluster Assumption to Graph Convolution: Graph-based Semi-Supervised Learning Revisited [51.24526202984846]
  グラフベースの半教師付き学習(GSSL)は、長い間ホットな研究トピックだった。 グラフ畳み込みネットワーク (GCN) は, 有望な性能を示す主要な技術となっている。
  論文  参考訳（メタデータ） (2023-09-24T10:10:21Z)
• 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)
• Model-Based Deep Learning: On the Intersection of Deep Learning and Optimization [101.32332941117271]
  決定アルゴリズムは様々なアプリケーションで使われている。 数理モデルに頼らずにデータから調整された高度パラメトリックアーキテクチャを使用するディープラーニングアプローチが、ますます人気が高まっている。 モデルに基づく最適化とデータ中心のディープラーニングは、しばしば異なる規律とみなされる。
  論文  参考訳（メタデータ） (2022-05-05T13:40:08Z)
• Oral cancer detection and interpretation: Deep multiple instance learning versus conventional deep single instance learning [2.2612425542955292]
  口腔癌(OC)診断の現在の医療基準は、口腔から採取した組織標本の組織学的検査である。 このアプローチを臨床ルーチンに導入するには、専門家の欠如や労働集約的な作業といった課題が伴う。 私たちは、患者1人あたりのラベルだけで癌を確実に検出できるAIベースの方法に興味を持っています。
  論文  参考訳（メタデータ） (2022-02-03T15:04:26Z)
• Direct Molecular Conformation Generation [217.4815525740703]
  本稿では,原子の座標を直接予測する手法を提案する。 提案手法は,4つの公開ベンチマークの最先端結果を実現する。
  論文  参考訳（メタデータ） (2022-02-03T01:01:58Z)
• Evolutionary Algorithms for Fuzzy Cognitive Maps [0.0]
  ファジィ認知マップ(FCMs)は、近年人気が高まっている複雑なシステムモデリング手法である。 本研究では、FCMの訓練に用いられる遺伝的アルゴリズムをレビューするとともに、FCM学習アルゴリズムの概要を概観する。
  論文  参考訳（メタデータ） (2020-12-19T15:17:01Z)
• Simple statistical methods for unsupervised brain anomaly detection on MRI are competitive to deep learning methods [0.0]
  磁気共鳴画像(MRI)の統計的分析は、放射線医が見逃される可能性が低い病態を検出するのに役立つ。 深層学習(DL)は、脳異常検出のための複雑な空間データモデリングにおいて有望であることを示す。 そこで本研究では, DL等価な3次元畳み込みオートエンコーダの性能を, 教師なしの病理診断において達成できることを示す。
  論文  参考訳（メタデータ） (2020-11-25T13:45:11Z)
• Bayesian Generative Models for Knowledge Transfer in MRI Semantic Segmentation Problems [15.24006130659201]
  本稿では,遺伝ベイズ先行ネットワークを用いた疾患間の知識伝達手法を提案する。 提案手法はトレーニング前のアプローチとランダム初期化と比較し,脳腫瘍-2018データベースの小さな部分集合に対するDice similarity Coefficientの測定値から最良の結果を得る。
  論文  参考訳（メタデータ） (2020-05-26T11:42:17Z)
• Autoencoders for Unsupervised Anomaly Segmentation in Brain MR Images: A Comparative Study [43.26668942258135]
  脳MRIにおけるunsupervised Anomaly Detection(UAD)の新しいアプローチ これらの研究の主な原理は、正常なデータの圧縮と回復を学ぶことによって、正常な解剖学のモデルを学ぶことである。 概念は,医療画像分析のコミュニティにとって大きな関心事である。i) 膨大な量の手作業によるトレーニングデータの必要性から解放される。
  論文  参考訳（メタデータ） (2020-04-07T11:12:07Z)
• Opportunities and Challenges of Deep Learning Methods for Electrocardiogram Data: A Systematic Review [62.490310870300746]
  心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。 深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。 本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
  論文  参考訳（メタデータ） (2019-12-28T02:44:29Z)

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。