論文の概要: Enhancing Model Learning and Interpretation Using Multiple Molecular
Graph Representations for Compound Property and Activity Prediction
- arxiv url: http://arxiv.org/abs/2304.06253v1
- Date: Thu, 13 Apr 2023 04:20:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-14 15:40:18.136705
- Title: Enhancing Model Learning and Interpretation Using Multiple Molecular
Graph Representations for Compound Property and Activity Prediction
- Title（参考訳）: 複合特性と活動予測のための多分子グラフ表現を用いたモデル学習と解釈の強化
- Authors: Apakorn Kengkanna, Masahito Ohue
- Abstract要約: 本研究では,高次情報を含む複数の分子グラフ表現を導入する。
モデル学習と多様な視点からの解釈に対するそれらの効果について研究する。
その結果, 原子グラフ表現と分子グラフ表現の低減を組み合わせれば, 有望なモデル性能が得られることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph neural networks (GNNs) demonstrate great performance in compound
property and activity prediction due to their capability to efficiently learn
complex molecular graph structures. However, two main limitations persist
including compound representation and model interpretability. While atom-level
molecular graph representations are commonly used because of their ability to
capture natural topology, they may not fully express important substructures or
functional groups which significantly influence molecular properties.
Consequently, recent research proposes alternative representations employing
reduction techniques to integrate higher-level information and leverages both
representations for model learning. However, there is still a lack of study
about different molecular graph representations on model learning and
interpretation. Interpretability is also crucial for drug discovery as it can
offer chemical insights and inspiration for optimization. Numerous studies
attempt to include model interpretation to explain the rationale behind
predictions, but most of them focus solely on individual prediction with little
analysis of the interpretation on different molecular graph representations.
This research introduces multiple molecular graph representations that
incorporate higher-level information and investigates their effects on model
learning and interpretation from diverse perspectives. The results indicate
that combining atom graph representation with reduced molecular graph
representation can yield promising model performance. Furthermore, the
interpretation results can provide significant features and potential
substructures consistently aligning with background knowledge. These multiple
molecular graph representations and interpretation analysis can bolster model
comprehension and facilitate relevant applications in drug discovery.
- Abstract（参考訳）: グラフニューラルネットワーク(GNN)は、複雑な分子グラフ構造を効率的に学習する能力により、複合特性と活動予測において優れた性能を示す。
しかしながら、複合表現とモデル解釈可能性を含む2つの主要な制限が持続する。
原子レベルの分子グラフ表現は、自然トポロジーを捉える能力があるため一般的に用いられるが、分子特性に大きな影響を与える重要な部分構造や機能群を完全に表現するものではない。
その結果,高次情報の統合とモデル学習における両表現の活用のために,削減手法を用いた代替表現を提案する。
しかし、モデル学習と解釈に関する異なる分子グラフ表現についての研究はいまだ残っていない。
化学的洞察と最適化へのインスピレーションを提供するため、薬物発見には解釈可能性も不可欠である。
多くの研究は予測の背後にある理論的根拠を説明するモデル解釈を含むことを試みているが、その多くは異なる分子グラフ表現の解釈をほとんど分析せずに個々の予測のみに焦点を当てている。
本研究は,高次情報を含む複数の分子グラフ表現を導入し,モデル学習と多様な視点からの解釈に与える影響について検討する。
その結果,原子グラフ表現と還元分子グラフ表現の組み合わせは有望なモデル性能をもたらすことが示唆された。
さらに、解釈結果は背景知識と一貫して整合する重要な特徴と潜在的な部分構造を提供することができる。
これらの複数の分子グラフ表現と解釈解析は、モデルの理解を促進し、薬物発見における関連する応用を促進する。
関連論文リスト
- FARM: Functional Group-Aware Representations for Small Molecules [55.281754551202326]
小型分子のための機能的グループ認識表現(FARM)について紹介する。
FARMはSMILES、自然言語、分子グラフのギャップを埋めるために設計された基礎モデルである。
MoleculeNetデータセット上でFARMを厳格に評価し、12タスク中10タスクで最先端のパフォーマンスを実現しています。
論文 参考訳（メタデータ） (2024-10-02T23:04:58Z) - Molecular Graph Representation Learning via Structural Similarity Information [11.38130169319915]
我々は新しい分子グラフ表現学習法である textbf Structure similarity Motif GNN (MSSM-GNN) を紹介する。
特に,分子間の類似性を定量的に表現するために,グラフカーネルアルゴリズムを利用した特殊設計グラフを提案する。
我々はGNNを用いて分子グラフから特徴表現を学習し、追加の分子表現情報を組み込むことで特性予測の精度を高めることを目的としている。
論文 参考訳（メタデータ） (2024-09-13T06:59:10Z) - Contrastive Dual-Interaction Graph Neural Network for Molecular Property Prediction [0.0]
本稿では,分子特性予測のための自己教師付きグラフニューラルネットワークフレームワークであるDIG-Molを紹介する。
DIG-Molは2つの相互接続ネットワークと運動量蒸留ネットワークを統合し、分子特性を効率的に改善する。
我々は,様々な分子特性予測タスクにおける広範囲な実験的評価により,DIG-Molの最先端性能を確立した。
論文 参考訳（メタデータ） (2024-05-04T10:09:27Z) - 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) - Extracting Molecular Properties from Natural Language with Multimodal
Contrastive Learning [1.3717673827807508]
本研究では,分子特性情報を自然言語からグラフ表現へ伝達する方法について検討する。
我々は, テキスト検索を改善するために, ニューラル関連評価戦略を実装し, 化学的に有意な分子グラフ増強戦略を導入する。
グラフモダリティだけで事前学習されたモデルに対するAUROCの利得は+4.26%、最近提案された分子グラフ/テキストの対照的に訓練されたMoMuモデルに比べて+1.54%向上する。
論文 参考訳（メタデータ） (2023-07-22T10:32:58Z) - Bi-level Contrastive Learning for Knowledge-Enhanced Molecule
Representations [55.42602325017405]
本稿では,分子の2レベル構造を考慮した新しいGODE法を提案する。
異なるグラフ構造上で2つのグラフニューラルネットワーク(GNN)を事前訓練し、対照的な学習と組み合わせることで、GODEは分子構造を対応する知識グラフサブ構造と融合させる。
11の化学特性タスクを微調整した場合、我々のモデルは既存のベンチマークよりも優れており、分類タスクの平均ROC-AUCアップリフトは13.8%、回帰タスクの平均RMSE/MAEエンハンスメントは35.1%である。
論文 参考訳（メタデータ） (2023-06-02T15:49:45Z) - 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) - 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) - 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) - Attention-wise masked graph contrastive learning for predicting
molecular property [15.387677968070912]
大規模無ラベル分子のための自己教師付き表現学習フレームワークを提案する。
我々は,注目グラフマスクと呼ばれる新しい分子グラフ拡張戦略を開発した。
我々のモデルは重要な分子構造と高次意味情報を捉えることができる。
論文 参考訳（メタデータ） (2022-05-02T00:28:02Z) - Multi-View Graph Neural Networks for Molecular Property Prediction [67.54644592806876]
マルチビューグラフニューラルネットワーク(MV-GNN)を提案する。
MV-GNNでは,学習過程を安定させるために,自己注意型読み出しコンポーネントと不一致損失を導入する。
我々は、相互依存型メッセージパッシング方式を提案することにより、MV-GNNの表現力をさらに強化する。
論文 参考訳（メタデータ） (2020-05-17T04:46:07Z)
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。