論文の概要: PrefixMol: Target- and Chemistry-aware Molecule Design via Prefix Embedding

• arxiv url: http://arxiv.org/abs/2302.07120v1
• Date: Tue, 14 Feb 2023 15:27:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-15 15:18:40.501456
• Title: PrefixMol: Target- and Chemistry-aware Molecule Design via Prefix Embedding
• Title（参考訳）: PrefixMol:プレフィックス埋め込みによるターゲットおよび化学対応分子設計
• Authors: Zhangyang Gao, Yuqi Hu, Cheng Tan, Stan Z. Li
• Abstract要約: 対象ポケットの状況と様々な化学特性を考慮した新しい生成モデルを構築した。 実験により,本モデルは単条件および多条件の分子生成において良好な制御性を示すことが示された。
• 参考スコア（独自算出の注目度）: 34.27649279751879
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Is there a unified model for generating molecules considering different conditions, such as binding pockets and chemical properties? Although target-aware generative models have made significant advances in drug design, they do not consider chemistry conditions and cannot guarantee the desired chemical properties. Unfortunately, merging the target-aware and chemical-aware models into a unified model to meet customized requirements may lead to the problem of negative transfer. Inspired by the success of multi-task learning in the NLP area, we use prefix embeddings to provide a novel generative model that considers both the targeted pocket's circumstances and a variety of chemical properties. All conditional information is represented as learnable features, which the generative model subsequently employs as a contextual prompt. Experiments show that our model exhibits good controllability in both single and multi-conditional molecular generation. The controllability enables us to outperform previous structure-based drug design methods. More interestingly, we open up the attention mechanism and reveal coupling relationships between conditions, providing guidance for multi-conditional molecule generation.
• Abstract（参考訳）: 結合ポケットや化学的性質など、異なる条件で分子を生成する統一モデルが存在するだろうか? ターゲット認識生成モデルは薬物設計において著しい進歩を遂げているが、化学条件を考慮せず、所望の化学的性質を保証できない。 残念なことに、ターゲット認識モデルと化学認識モデルを統合モデルにマージして、カスタマイズされた要求を満たすことは、負の転送の問題を引き起こす可能性がある。 nlp領域でのマルチタスク学習の成功に触発されて、我々はプレフィックス埋め込みを用いて、ターゲットのポケットの状況と様々な化学的特性の両方を考慮した新しい生成モデルを提供する。 すべての条件情報は学習可能な特徴として表現され、生成モデルはその後文脈的プロンプトとして使用される。 実験により, 本モデルが単一および多条件分子生成において良好な制御性を示すことが示された。 制御性は、従来の構造に基づく薬物設計方法よりも優れる。 より興味深いことに、注意機構を開放し、条件間の結合関係を明らかにし、多条件分子生成のためのガイダンスを提供する。

関連論文リスト

• MolMiner: Transformer architecture for fragment-based autoregressive generation of molecular stories [7.366789601705544]
  生成過程の化学的妥当性、解釈可能性、可変分子サイズへの柔軟性は、計算材料設計における生成モデルに残る課題の1つである。 本稿では,分子生成を離散的かつ解釈可能なステップの列に分解する自己回帰的手法を提案する。 この結果から,本モデルでは,提案した多目的目標目標に応じて,生成分布を効果的にバイアスすることができることがわかった。
  論文  参考訳（メタデータ） (2024-11-10T22:00:55Z)
• 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)
• Aligning Target-Aware Molecule Diffusion Models with Exact Energy Optimization [147.7899503829411]
  AliDiffは、事前訓練されたターゲット拡散モデルと望ましい機能特性を整合させる新しいフレームワークである。 最先端の結合エネルギーを持つ分子を最大7.07 Avg. Vina Scoreで生成することができる。
  論文  参考訳（メタデータ） (2024-07-01T06:10:29Z)
• 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)
• LLamol: A Dynamic Multi-Conditional Generative Transformer for De Novo Molecular Design [0.0]
  LLamolはLLama 2アーキテクチャに基づいた単一の新しい生成トランスフォーマーモデルである。 モデルが最大4つの条件で単一条件および多条件の有機分子生成を順応的に処理できることを実証する。 より詳しくは,個別に,あるいは数値特性と組み合わせて,トークンシーケンスを条件付けに活用するモデルの能力について紹介する。
  論文  参考訳（メタデータ） (2023-11-24T10:59:12Z)
• Molecule Design by Latent Space Energy-Based Modeling and Gradual Distribution Shifting [53.44684898432997]
  化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。 本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。 本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
  論文  参考訳（メタデータ） (2023-06-09T03:04:21Z)
• Domain-Agnostic Molecular Generation with Chemical Feedback [44.063584808910896]
  MolGenは、分子生成に特化した事前訓練された分子言語モデルである。 1億以上の分子SELFIESを再構成することで構造的および文法的な洞察を内部化する。 我々の化学フィードバックパラダイムは、モデルを分子幻覚から遠ざけ、モデルの推定確率と実世界の化学的嗜好との整合性を確保する。
  論文  参考訳（メタデータ） (2023-01-26T17:52:56Z)
• Bidirectional Generation of Structure and Properties Through a Single Molecular Foundation Model [44.60174246341653]
  本稿では, 構造と生化学的性質を組み込んだ, 新規なマルチモーダル分子事前学習モデルを提案する。 提案するデータハンドリングおよびトレーニング目的のモデルパイプラインは、共通埋め込み空間における構造/プロパティの特徴を整合させる。 これらのコントリビューションは相乗的知識を生み出し、単一のモデルでマルチモーダルと非モーダルの両方の下流タスクに取り組むことができる。
  論文  参考訳（メタデータ） (2022-11-19T05:16:08Z)
• Retrieval-based Controllable Molecule Generation [63.44583084888342]
  制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。 我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。 提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
  論文  参考訳（メタデータ） (2022-08-23T17:01:16Z)
• Molecular Attributes Transfer from Non-Parallel Data [57.010952598634944]
  分子最適化をスタイル伝達問題として定式化し、非並列データの2つのグループ間の内部差を自動的に学習できる新しい生成モデルを提案する。 毒性修飾と合成性向上という2つの分子最適化タスクの実験により,本モデルがいくつかの最先端手法を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2021-11-30T06:10:22Z)

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。