論文の概要: Uni-RXN: A Unified Framework Bridging the Gap between Chemical Reaction Pretraining and Conditional Molecule Generation

• arxiv url: http://arxiv.org/abs/2303.06965v2
• Date: Tue, 14 Mar 2023 13:47:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-15 11:08:56.130000
• Title: Uni-RXN: A Unified Framework Bridging the Gap between Chemical Reaction Pretraining and Conditional Molecule Generation
• Title（参考訳）: Uni-RXN: 化学反応予測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, Song Song, Liangren Zhang, Bo Huang, 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）: 3.7447188743775772
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Chemical reactions are the fundamental building blocks of drug design and organic chemistry research. 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。 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

• A modular quantum-classical framework for simulating chemical reaction pathways accurately [0.0]
  化学反応経路を正確にシミュレートするモジュラー量子古典ハイブリッドフレームワークを提案する。 我々は、小さな有機分子の異性化経路を正確に追跡することで、我々の枠組みを実証する。 この枠組みは、薬品や化学産業の他の「活性」分子の研究に容易に応用できる。
  論文  参考訳（メタデータ） (2022-10-17T10:41:53Z)
• 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)
• Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
  分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。 近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。 本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-05-17T13:08:28Z)
• 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)
• Modern Hopfield Networks for Few- and Zero-Shot Reaction Prediction [3.885603826656419]
  物理分子を実現するコンピュータ支援合成計画(CASP)はまだ初期段階にあり、大規模な分子発見を可能にする性能レベルが欠けています。 コントラスト学習により最適化された最新のHopfieldネットワーク(MHN)を用いた深層学習アーキテクチャを用いた新しい反応予測手法を提案する。 その結果,mhnのコントラスト学習アプローチは,従来の手法と対照的に,レア,シングル,さらにはトレーニング例のない反応予測に対して,少数およびゼロショットの学習を可能にすることがわかった。
  論文  参考訳（メタデータ） (2021-04-07T17:35:00Z)
• Molecule Edit Graph Attention Network: Modeling Chemical Reactions as Sequences of Graph Edits [0.0]
  本稿では,エンド・ツー・エンドのエンコーダ・デコーダ・ニューラルモデルであるMEGAN(Moecule Edit Graph Attention Network)を提案する。 MEGANは、化学反応をグラフ編集のシーケンスとして表現するモデルにインスパイアされている。 我々は、このモデルを再合成予測(化学反応の産物から得られる基質を予測する)に拡張し、大規模なデータセットにスケールアップする。
  論文  参考訳（メタデータ） (2020-06-27T18:50:24Z)
• 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)
• Retrosynthesis Prediction with Conditional Graph Logic Network [118.70437805407728]
  コンピュータ支援のレトロシンセシスは、化学と計算機科学の双方から新たな関心を集めている。 本稿では,グラフニューラルネットワーク上に構築された条件付きグラフィカルモデルであるConditional Graph Logic Networkを用いて,この課題に対する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2020-01-06T05:36:57Z)

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。