論文の概要: Uni-RXN: An Unified Framework that Bridge the Gap between Chemical
Reaction Pretraining and Conditional Molecule Generation
- arxiv url: http://arxiv.org/abs/2303.06965v1
- Date: Mon, 13 Mar 2023 10:06:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-14 15:45:57.880593
- Title: Uni-RXN: An Unified Framework that Bridge the Gap between Chemical
Reaction Pretraining and Conditional Molecule Generation
- Title(参考訳): Uni-RXN: 化学反応前処理と条件分子生成のギャップを埋める統一フレームワーク
- Authors: Bo Qiang, Yiran Zhou, Yuheng Ding, Ningfeng Liu, Liangren Zhang,
Zhenming Liu
- Abstract要約: 反応表現学習と分子生成の両課題に対処する統合フレームワークを提案する。
有機化学機構にインスパイアされた我々は,モデルに誘導バイアスを組み込むことのできる,新しい事前学習フレームワークを開発した。
我々のフレームワークは、ダウンストリームタスクに挑戦する上で、最先端の結果を達成する。
- 参考スコア(独自算出の注目度): 3.010805391044963
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Chemical reactions are the fundamental building blocks of drug design and
organic chemistry research. Machine learning for chemistry is a rapidly
advancing field with numerous applications. In recent years, there has been a
growing need for a large-scale deep-learning framework that can efficiently
capture the basic rules of chemical reactions. In this paper, we have proposed
a unified framework that addresses both the reaction representation learning
and molecule generation tasks, which allows for a more holistic approach.
Inspired by the organic chemistry mechanism, we develop a novel pretraining
framework that enables us to incorporate inductive biases into the model. Our
framework achieves state-of-the-art results on challenging downstream tasks. By
possessing chemical knowledge, this framework can be applied to reaction-based
generative models, overcoming the limitations of current molecule generation
models that rely on a small number of reaction templates. In the extensive
experiments, our model generates synthesizable drug-like structures of high
quality. Overall, our work presents a significant step toward a large-scale
deep-learning framework for a variety of reaction-based applications.
- Abstract(参考訳): 化学反応は薬物設計と有機化学研究の基本的な構成要素である。
化学のための機械学習は多くの応用で急速に進歩している分野である。
近年,化学反応の基本ルールを効率的に把握できる大規模ディープラーニングフレームワークの必要性が高まっている。
本稿では,反応表現学習と分子生成タスクの両方に対処し,より総合的なアプローチを可能にする統一的な枠組みを提案する。
有機化学機構にインスパイアされた我々は,モデルに誘導バイアスを組み込むことのできる,新しい事前学習フレームワークを開発した。
我々のフレームワークは、下流タスクに挑戦する最先端の成果を達成する。
化学知識を持つことによって、この枠組みは反応ベースの生成モデルに適用でき、少数の反応テンプレートに依存する現在の分子生成モデルの限界を克服することができる。
広範な実験において,本モデルは高品質の合成可能な薬物様構造を生成する。
全体として、我々の研究は、さまざまな反応ベースのアプリケーションのための大規模なディープラーニングフレームワークに向けて大きな一歩を踏み出した。
関連論文リスト
- Contextual Molecule Representation Learning from Chemical Reaction
Knowledge [24.501564702095937]
本稿では,共通化学における原子結合規則をうまく利用した自己教師型学習フレームワークREMOを紹介する。
REMOは、文献における170万の既知の化学反応に関するグラフ/トランスフォーマーエンコーダを事前訓練する。
論文 参考訳(メタデータ) (2024-02-21T12:58:40Z) - ChemLLM: A Chemical Large Language Model [50.32558290635367]
大規模言語モデル(LLM)は化学応用において顕著な進歩を遂げた。
ChemLLMは化学に特化した最初の大規模言語モデルである。
ChemLLMは化学の3つの主要なタスク全てでGPT-3.5を破る。
論文 参考訳(メタデータ) (2024-02-10T01:11:59Z) - Holistic chemical evaluation reveals pitfalls in reaction prediction
models [0.3065062372337749]
本稿では, より総合的な評価をめざして, 現状のアプローチに基づく新たな評価手法を提案する。
ChoRISOは、化学的に関連するシナリオを再現するために、複数の調整された分割と共に、キュレートされたデータセットである。
私たちの研究は、最終的に化学発見を加速できる堅牢な予測モデルへの道を開いた。
論文 参考訳(メタデータ) (2023-12-14T14:54:28Z) - Chemist-X: Large Language Model-empowered Agent for Reaction Condition
Recommendation in Chemical Synthesis [59.11837224347467]
Chemist-Xは、検索増強生成(RAG)技術を用いた化学合成において、反応条件レコメンデーション(RCR)タスクを自動化する。
Chemist-Xはオンラインの分子データベースを尋問し、最新の文献データベースから重要なデータを蒸留する。
Chemist-Xは化学者の作業量を大幅に減らし、より根本的で創造的な問題に集中できるようにする。
論文 参考訳(メタデータ) (2023-11-16T01:21:33Z) - PrefixMol: Target- and Chemistry-aware Molecule Design via Prefix
Embedding [34.27649279751879]
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。
論文 参考訳(メタデータ) (2023-02-14T15:27:47Z) - 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) - Rxn Hypergraph: a Hypergraph Attention Model for Chemical Reaction
Representation [70.97737157902947]
現在、化学反応を強固に表現するための普遍的で広く採用されている方法は存在しない。
ここでは、グラフに基づく分子構造の表現を利用して、ハイパーグラフアテンションニューラルネットワークアプローチを開発し、テストする。
我々はこのハイパーグラフ表現を3つの独立な化学反応データセットを用いて3つの実験で評価した。
論文 参考訳(メタデータ) (2022-01-02T12:33:10Z) - Deep Denerative Models for Drug Design and Response [0.0]
深部生成モデリングの最近の成功は、新しい分子の生成と最適化の可能性を秘めている。
本稿では, 化学・生物データベース, 生成モデリングツールについて紹介する。
論文 参考訳(メタデータ) (2021-09-14T06:33:56Z) - Learning Graph Models for Retrosynthesis Prediction [90.15523831087269]
再合成予測は有機合成の基本的な問題である。
本稿では,前駆体分子のグラフトポロジーが化学反応中にほとんど変化しないという考え方を生かしたグラフベースのアプローチを提案する。
提案モデルでは,テンプレートフリーおよび半テンプレートベースの手法よりも高い5,3.7%の精度でトップ1の精度を実現している。
論文 参考訳(メタデータ) (2020-06-12T09:40:42Z) - Learning To Navigate The Synthetically Accessible Chemical Space Using
Reinforcement Learning [75.95376096628135]
ド・ノボ薬物設計のための強化学習(RL)を利用した新しい前方合成フレームワークを提案する。
このセットアップでは、エージェントは巨大な合成可能な化学空間をナビゲートする。
本研究は,合成可能な化学空間を根本的に拡張する上で,エンド・ツー・エンド・トレーニングが重要なパラダイムであることを示す。
論文 参考訳(メタデータ) (2020-04-26T21:40:03Z)
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。