論文の概要: Modeling Molecular Structures with Intrinsic Diffusion Models
- arxiv url: http://arxiv.org/abs/2302.12255v1
- Date: Thu, 23 Feb 2023 03:26:48 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-27 15:35:43.397709
- Title: Modeling Molecular Structures with Intrinsic Diffusion Models
- Title（参考訳）: 内在拡散モデルを用いた分子構造モデリング
- Authors: Gabriele Corso
- Abstract要約: 本論文は本質的拡散モデリングを提案する。
拡散生成モデルと生物学的複合体の柔軟性に関する科学的知識を組み合わせる。
計算化学と生物学に基づく2つの基本的な課題に対して,本手法の有効性を実証する。
- 参考スコア（独自算出の注目度）: 2.487445341407889
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Since its foundations, more than one hundred years ago, the field of
structural biology has strived to understand and analyze the properties of
molecules and their interactions by studying the structure that they take in 3D
space. However, a fundamental challenge with this approach has been the dynamic
nature of these particles, which forces us to model not a single but a whole
distribution of structures for every molecular system. This thesis proposes
Intrinsic Diffusion Modeling, a novel approach to this problem based on
combining diffusion generative models with scientific knowledge about the
flexibility of biological complexes. The knowledge of these degrees of freedom
is translated into the definition of a manifold over which the diffusion
process is defined. This manifold significantly reduces the dimensionality and
increases the smoothness of the generation space allowing for significantly
faster and more accurate generative processes. We demonstrate the effectiveness
of this approach on two fundamental tasks at the basis of computational
chemistry and biology: molecular conformer generation and molecular docking. In
both tasks, we construct the first deep learning method to outperform
traditional computational approaches achieving an unprecedented level of
accuracy for scalable programs.
- Abstract（参考訳）: 100年以上前のその基礎から、構造生物学の分野は、分子の性質とその相互作用を3D空間で取る構造の研究によって理解し、分析しようと努力してきた。
しかし、このアプローチの根本的な課題は、全ての分子系に対して単一ではなく全体の構造分布をモデル化することを余儀なくされる粒子の動的性質である。
本論文は, 生物複合体の柔軟性に関する科学的知識と拡散生成モデルを組み合わせた新しい手法である内在拡散モデリングを提案する。
これらの自由度に関する知識は、拡散過程が定義される多様体の定義に変換される。
この多様体は次元を著しく減少させ、生成空間の滑らかさを増加させ、より高速で正確な生成プロセスを可能にする。
本稿では, 分子コンホメータ生成と分子ドッキングという, 計算化学と生物学の2つの基本的課題に対するこのアプローチの有効性を示す。
いずれのタスクにおいても,従来の計算手法を上回って,スケーラブルプログラムの精度を前例のないレベルまで向上させる,最初のディープラーニング手法を構築した。
関連論文リスト
- Diffusion Models in $\textit{De Novo}$ Drug Design [0.0]
拡散モデルは、特に3次元分子構造の文脈において、分子生成の強力なツールとして登場した。
本稿では,3次元分子生成に適した拡散モデルの技術的実装について述べる。
論文 参考訳（メタデータ） (2024-06-07T06:34:13Z) - Diffusion-Driven Generative Framework for Molecular Conformation
Prediction [0.66567375919026]
機械学習の急速な進歩は、この文脈における予測モデリングの精度に革命をもたらした。
本研究は,最先端な生成手法を提案する。
メソッドは原子を独立した実体とみなし、拡散の逆転を導くのに優れている。
論文 参考訳（メタデータ） (2023-12-22T11:49:39Z) - Accelerating Inference in Molecular Diffusion Models with Latent Representations of Protein Structure [0.0]
拡散生成モデルは3次元分子構造に直接作用する。
分子構造の潜在表現を学習するための新しいGNNアーキテクチャを提案する。
本モデルでは,全原子タンパク質の表現に匹敵する性能を示しながら,推論時間を3倍に短縮した。
論文 参考訳（メタデータ） (2023-11-22T15:32:31Z) - 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) - 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) - 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) - MDM: Molecular Diffusion Model for 3D Molecule Generation [19.386468094571725]
既存の拡散に基づく3D分子生成法は、不満足な性能に悩まされる可能性がある。
原子間関係は分子の3次元点雲表現にはない。
提案したモデルは、条件付きタスクと条件付きタスクの両方において、既存のメソッドよりも大幅に優れている。
論文 参考訳（メタデータ） (2022-09-13T03:40:18Z) - A Molecular Multimodal Foundation Model Associating Molecule Graphs with
Natural Language [63.60376252491507]
本稿では,分子グラフとその意味的関連テキストデータから事前学習した分子マルチモーダル基礎モデルを提案する。
我々のモデルは、生物学、化学、材料、環境、医学などの分野において、AIを動力とする分野に幅広い影響を与えるだろうと考えています。
論文 参考訳（メタデータ） (2022-09-12T00:56:57Z) - Scalable Fragment-Based 3D Molecular Design with Reinforcement Learning [68.8204255655161]
分子構築に階層的エージェントを用いるスケーラブルな3D設計のための新しいフレームワークを提案する。
様々な実験において、エネルギーのみを考慮に入れたエージェントが、100以上の原子を持つ分子を効率よく生成できることが示されている。
論文 参考訳（メタデータ） (2022-02-01T18:54:24Z) - Learning Neural Generative Dynamics for Molecular Conformation
Generation [89.03173504444415]
分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。
分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
論文 参考訳（メタデータ） (2021-02-20T03:17:58Z) - Learning a Continuous Representation of 3D Molecular Structures with
Deep Generative Models [0.0]
生成モデルは、連続的な潜伏空間における分子の表現と最適化を学ぶ全く異なるアプローチである。
原子密度格子を用いた三次元分子構造の深部生成モデルについて述べる。
また、与えられた入力化合物に基づいて多様な分子の集合をサンプリングすることで、有効な薬物様分子の創出の可能性を高めることができる。
論文 参考訳（メタデータ） (2020-10-17T01:15:47Z)
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。