論文の概要: Learning Topology-Specific Experts for Molecular Property Prediction
- arxiv url: http://arxiv.org/abs/2302.13693v1
- Date: Mon, 27 Feb 2023 11:53:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-28 15:57:52.764302
- Title: Learning Topology-Specific Experts for Molecular Property Prediction
- Title（参考訳）: 学習トポロジ-分子特性予測の専門家
- Authors: Su Kim, Dongha Lee, SeongKu Kang, Seonghyeon Lee, Hwanjo Yu
- Abstract要約: グラフニューラルネットワーク(GNN)は分子特性の予測に成功している。
本稿では、トポロジ固有の予測モデル(専門家として参照)を活用することを提案する。
分子をトポロジカルなパターンでグルーピングする上で重要な課題に対処するために,クラスタリングに基づくゲーティングモジュールを導入する。
実験により、提案手法により分子特性予測の性能が向上し、ベースラインよりも目立たない足場を持つ新しい分子のより優れた一般化が達成された。
- 参考スコア（独自算出の注目度）: 30.014888494169465
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, graph neural networks (GNNs) have been successfully applied to
predicting molecular properties, which is one of the most classical
cheminformatics tasks with various applications. Despite their effectiveness,
we empirically observe that training a single GNN model for diverse molecules
with distinct structural patterns limits its prediction performance. In this
paper, motivated by this observation, we propose \proposed to leverage
topology-specific prediction models (referred to as experts), each of which is
responsible for each molecular group sharing similar topological semantics.
That is, each expert learns topology-specific discriminative features while
being trained with its corresponding topological group. To tackle the key
challenge of grouping molecules by their topological patterns, we introduce a
clustering-based gating module that assigns an input molecule into one of the
clusters and further optimizes the gating module with two different types of
self-supervision: topological semantics induced by GNNs and molecular
scaffolds, respectively. Extensive experiments demonstrate that \proposed has
boosted the performance for molecular property prediction and also achieved
better generalization for new molecules with unseen scaffolds than baselines.
The code is available at https://github.com/kimsu55/ToxExpert.
- Abstract（参考訳）: 近年,グラフニューラルネットワーク (gnns) が分子特性の予測に応用されている。
その効果にもかかわらず、異なる構造パターンを持つ多様な分子に対して単一のGNNモデルを訓練することで予測性能が制限されることを実証的に観察した。
本稿では、この観測を動機として、各分子群が同様のトポロジカルセマンティクスを共有する責任を負うトポロジ固有の予測モデル(専門家として参照)を活用することを提案する。
すなわち、それぞれの専門家は、対応する位相群で訓練されながら、トポロジー特有の識別特徴を学ぶ。
分子をトポロジカルなパターンでグループ化する上で重要な課題に対処するために,入力分子をクラスタの1つに割り当てるクラスタリングベースのゲーティングモジュールを導入し,それぞれGNNと分子足場によって誘導されるトポロジ的セマンティクスという2種類のセルフスーパービジョンでゲーティングモジュールを最適化する。
大規模な実験により、 \proposed は分子特性予測の性能を高め、ベースラインよりも目に見えない足場を持つ新しい分子のより優れた一般化を実現した。
コードはhttps://github.com/kimsu55/ToxExpert.comで入手できる。
関連論文リスト
- Investigating Graph Neural Networks and Classical Feature-Extraction Techniques in Activity-Cliff and Molecular Property Prediction [0.6906005491572401]
分子の破滅は、分子データの数値的特徴ベクトルへの変換を指す。
分子グラフから直接識別可能な特徴を学習する新しい手法として、メッセージパッシンググラフニューラルネットワーク(GNN)が登場した。
論文 参考訳（メタデータ） (2024-11-20T20:07:48Z) - Pre-trained Molecular Language Models with Random Functional Group Masking [54.900360309677794]
SMILESをベースとしたアンダーリネム分子アンダーリネム言語アンダーリネムモデルを提案し,特定の分子原子に対応するSMILESサブシーケンスをランダムにマスキングする。
この技術は、モデルに分子構造や特性をよりよく推測させ、予測能力を高めることを目的としている。
論文 参考訳（メタデータ） (2024-11-03T01:56:15Z) - Multi-Modal Representation Learning for Molecular Property Prediction:
Sequence, Graph, Geometry [6.049566024728809]
深層学習に基づく分子特性予測は、従来の手法の資源集約性に対する解決策として登場した。
本稿では,分子特性予測のための新しいマルチモーダル表現学習モデルSGGRLを提案する。
モダリティ間の整合性を確保するため、SGGRLは異なる分子の類似性を最小化しながら同じ分子の表現の類似性を最大化するように訓練される。
論文 参考訳（メタデータ） (2024-01-07T02:18:00Z) - MultiModal-Learning for Predicting Molecular Properties: A Framework Based on Image and Graph Structures [2.5563339057415218]
MolIGは、画像とグラフ構造に基づいて分子特性を予測するための、新しいMultiModaL分子事前学習フレームワークである。
両者の分子表現の強さを融合させる。
ベンチマークグループ内の分子特性予測に関連する下流タスクでは、パフォーマンスが向上する。
論文 参考訳（メタデータ） (2023-11-28T10:28:35Z) - 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) - Atomic and Subgraph-aware Bilateral Aggregation for Molecular
Representation Learning [57.670845619155195]
我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。
ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。
本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
論文 参考訳（メタデータ） (2023-05-22T00:56:00Z) - MolCPT: Molecule Continuous Prompt Tuning to Generalize Molecular
Representation Learning [77.31492888819935]
分子表現学習のための「プリトレイン,プロンプト,ファインチューン」という新しいパラダイム,分子連続プロンプトチューニング(MolCPT)を提案する。
MolCPTは、事前訓練されたモデルを使用して、スタンドアロンの入力を表現的なプロンプトに投影するモチーフプロンプト関数を定義する。
いくつかのベンチマークデータセットの実験により、MollCPTは分子特性予測のために学習済みのGNNを効率的に一般化することが示された。
論文 参考訳（メタデータ） (2022-12-20T19:32:30Z) - Graph neural networks for the prediction of molecular structure-property
relationships [59.11160990637615]
グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。
GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。
本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
論文 参考訳（メタデータ） (2022-07-25T11:30:44Z) - Flexible dual-branched message passing neural network for quantum
mechanical property prediction with molecular conformation [16.08677447593939]
メッセージパッシングフレームワークに基づく分子特性予測のための二重分岐ニューラルネットワークを提案する。
本モデルでは,様々なスケールで異種分子の特徴を学習し,予測対象に応じて柔軟に学習する。
論文 参考訳（メタデータ） (2021-06-14T10:00:39Z) - Few-Shot Graph Learning for Molecular Property Prediction [46.60746023179724]
分子特性予測の新しいモデルであるMeta-MGNNを提案する。
ラベルのない分子情報を利用するため、Meta-MGNNはさらに分子構造、属性ベースの自己監視モジュール、および自己注意のタスクウェイトを組み込む。
2つの公開マルチプロパティデータセットに関する広範な実験は、Meta-MGNNがさまざまな最先端のメソッドを上回っていることを示しています。
論文 参考訳（メタデータ） (2021-02-16T01:55:34Z) - ASGN: An Active Semi-supervised Graph Neural Network for Molecular
Property Prediction [61.33144688400446]
本稿では,ラベル付き分子とラベルなし分子の両方を組み込んだ,アクティブ半教師付きグラフニューラルネットワーク(ASGN)を提案する。
教師モデルでは,分子構造や分子分布から情報を共同で活用する汎用表現を学習するための,新しい半教師付き学習手法を提案する。
最後に,分子多様性の観点から,フレームワーク学習全体を通して情報的データを選択するための新しい能動的学習戦略を提案する。
論文 参考訳（メタデータ） (2020-07-07T04:22:39Z)
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。