論文の概要: MiDi: Mixed Graph and 3D Denoising Diffusion for Molecule Generation
- arxiv url: http://arxiv.org/abs/2302.09048v2
- Date: Mon, 5 Jun 2023 15:26:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-07 02:57:53.718003
- Title: MiDi: Mixed Graph and 3D Denoising Diffusion for Molecule Generation
- Title(参考訳): midi:分子生成のための混合グラフと3次元分極拡散
- Authors: Clement Vignac, Nagham Osman, Laura Toni, Pascal Frossard
- Abstract要約: この研究は、分子グラフとそれに対応する原子の3次元配置を共同生成する新しい拡散モデルであるMiDiを紹介する。
3Dコンホメーションに基づいて分子結合を決定するための事前定義された規則に依存する既存の方法とは異なり、MiDiは分子生成過程を合理化するエンドツーエンドの微分可能なアプローチを提供する。
- 参考スコア(独自算出の注目度): 47.15291538945242
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This work introduces MiDi, a novel diffusion model for jointly generating
molecular graphs and their corresponding 3D arrangement of atoms. Unlike
existing methods that rely on predefined rules to determine molecular bonds
based on the 3D conformation, MiDi offers an end-to-end differentiable approach
that streamlines the molecule generation process. Our experimental results
demonstrate the effectiveness of this approach. On the challenging GEOM-DRUGS
dataset, MiDi generates 92% of stable molecules, against 6% for the previous
EDM model that uses interatomic distances for bond prediction, and 40% using
EDM followed by an algorithm that directly optimize bond orders for validity.
Our code is available at github.com/cvignac/MiDi.
- Abstract(参考訳): この研究は、分子グラフとそれに対応する原子の3次元配置を共同生成する新しい拡散モデルであるMiDiを紹介する。
3Dコンホメーションに基づいて分子結合を決定するための事前定義された規則に依存する既存の方法とは異なり、MiDiは分子生成過程を合理化するエンドツーエンドの微分可能なアプローチを提供する。
実験の結果,本手法の有効性が示された。
挑戦的なgeom-drugsデータセットでは、midiは安定分子の92%を生成し、以前のedmモデルではボンド予測に原子間距離を用いる6%、edmを使用して40%、そして結合順序を正当性のために直接最適化するアルゴリズムに対している。
私たちのコードはgithub.com/cvignac/MiDiで利用可能です。
関連論文リスト
- 3D molecule generation by denoising voxel grids [5.50581548670289]
正規格子上に原子密度を表す3次元分子を生成するための新しいスコアベース手法を提案する。
我々は、雑音分子のスムーズな分布から実際の分子の分布への写像を学習する認知ニューラルネットワークを訓練する。
我々の実験では、VoxMolは、薬品のような分子の分布を、技術の状態よりもよく捉えつつ、サンプルを生成するのが速いことが示されている。
論文 参考訳(メタデータ) (2023-06-13T00:38:51Z) - Learning Joint 2D & 3D Diffusion Models for Complete Molecule Generation [32.66694406638287]
本研究では, 原子型, 正式な電荷, 結合情報, および3次元座標を持つ分子を生成する結合2Dおよび3D拡散モデル(JODO)を提案する。
我々のモデルは、単一または複数の量子特性をターゲットにした逆分子設計のために拡張することもできる。
論文 参考訳(メタデータ) (2023-05-21T04:49:53Z) - Geometric Latent Diffusion Models for 3D Molecule Generation [172.15028281732737]
生成モデル、特に拡散モデル(DM)は、特徴豊富な測地を生成する上で有望な結果を得た。
我々はGeoLDM(Geometric Latent Diffusion Models)と呼ばれる新しい3次元分子生成法を提案する。
論文 参考訳(メタデータ) (2023-05-02T01:07:22Z) - MUDiff: Unified Diffusion for Complete Molecule Generation [104.7021929437504]
本稿では,原子の特徴,2次元離散分子構造,および3次元連続分子座標を含む分子の包括的表現を生成する新しいモデルを提案する。
拡散過程を認知するための新しいグラフトランスフォーマーアーキテクチャを提案する。
我々のモデルは、安定で多様な分子を設計するための有望なアプローチであり、分子モデリングの幅広いタスクに適用できる。
論文 参考訳(メタデータ) (2023-04-28T04:25:57Z) - Geometry-Complete Diffusion for 3D Molecule Generation and Optimization [4.532517021515834]
3次元分子生成のための幾何合成モデル(GCDM)を導入する。
GCDMは、既存の3次元分子拡散モデルよりも条件および非条件設定間で大きなマージンで優れている。
また、GCDMの幾何学的特徴は、既存の3次元分子の幾何学的および化学組成を直接最適化するために効果的に再利用できることも示している。
論文 参考訳(メタデータ) (2023-02-08T20:01:51Z) - Equivariant Diffusion for Molecule Generation in 3D [74.289191525633]
この研究は、ユークリッド変換に同値な3次元の分子計算生成のための拡散モデルを導入する。
提案手法は, 従来の3次元分子生成法に比べて, 生成した試料の品質と訓練時の効率を著しく向上させる。
論文 参考訳(メタデータ) (2022-03-31T12:52:25Z) - 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) - GeoMol: Torsional Geometric Generation of Molecular 3D Conformer
Ensembles [60.12186997181117]
分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。
既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。
エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
論文 参考訳(メタデータ) (2021-06-08T14:17:59Z)
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。