論文の概要: An Equivariant Generative Framework for Molecular Graph-Structure
Co-Design
- arxiv url: http://arxiv.org/abs/2304.12436v1
- Date: Wed, 12 Apr 2023 13:34:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-30 07:29:35.034582
- Title: An Equivariant Generative Framework for Molecular Graph-Structure
Co-Design
- Title(参考訳): 分子グラフ構造共設計のための同変生成枠組み
- Authors: Zaixi Zhang, Qi Liu, Chee-Kong Lee, Chang-Yu Hsieh, Enhong Chen
- Abstract要約: 分子グラフ構造アンダーラインCo設計のための機械学習ベースの生成フレームワークであるMollCodeを提案する。
MolCodeでは、3D幾何情報によって分子2Dグラフの生成が促進され、それによって分子3D構造の予測が導かれる。
分子設計における2次元トポロジーと3次元幾何は本質的に相補的な情報を含んでいることが明らかとなった。
- 参考スコア(独自算出の注目度): 54.92529253182004
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Designing molecules with desirable physiochemical properties and
functionalities is a long-standing challenge in chemistry, material science,
and drug discovery. Recently, machine learning-based generative models have
emerged as promising approaches for \emph{de novo} molecule design. However,
further refinement of methodology is highly desired as most existing methods
lack unified modeling of 2D topology and 3D geometry information and fail to
effectively learn the structure-property relationship for molecule design. Here
we present MolCode, a roto-translation equivariant generative framework for
\underline{Mol}ecular graph-structure \underline{Co-de}sign. In MolCode, 3D
geometric information empowers the molecular 2D graph generation, which in turn
helps guide the prediction of molecular 3D structure. Extensive experimental
results show that MolCode outperforms previous methods on a series of
challenging tasks including \emph{de novo} molecule design, targeted molecule
discovery, and structure-based drug design. Particularly, MolCode not only
consistently generates valid (99.95$\%$ Validity) and diverse (98.75$\%$
Uniqueness) molecular graphs/structures with desirable properties, but also
generate drug-like molecules with high affinity to target proteins (61.8$\%$
high-affinity ratio), which demonstrates MolCode's potential applications in
material design and drug discovery. Our extensive investigation reveals that
the 2D topology and 3D geometry contain intrinsically complementary information
in molecule design, and provide new insights into machine learning-based
molecule representation and generation.
- Abstract(参考訳): 望ましい物理化学的性質と機能を持つ分子を設計することは、化学、物質科学、薬物発見における長年の課題である。
近年, 機械学習に基づく生成モデルは, 分子設計における有望なアプローチとして出現している。
しかし,既存の手法では2次元トポロジと3次元幾何情報の統一モデリングが欠如しており,分子設計における構造・物性関係を効果的に学習できないため,方法論のさらなる改良が望まれている。
ここでは、Roto-translation equivariant generative framework for \underline{Mol}ecular graph-structure \underline{Co-de}signを示す。
molcodeでは、3d幾何情報は分子の2dグラフ生成に力を与え、分子の3d構造を予測するのに役立ちます。
大規模実験の結果,MollCodeは,分子設計,標的分子発見,構造に基づく薬物設計など,一連の課題において,従来の手法よりも優れていた。
特に、molcodeは一貫して有効な (99.95$\%$ valid) と多様な (98.75$\%$ uniqueness) 分子グラフ/構造を望ましい性質で生成するだけでなく、標的タンパク質に高い親和性 (61.8$\%$ high-affinity ratio) を持つ薬様分子を生成する。
分子設計における2次元トポロジーと3次元幾何は本質的に相補的な情報を含み,機械学習に基づく分子表現と生成に関する新たな知見を提供する。
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) - UniIF: Unified Molecule Inverse Folding [67.60267592514381]
全分子の逆折り畳みのための統一モデルUniIFを提案する。
提案手法は,全タスクにおける最先端手法を超越した手法である。
論文 参考訳(メタデータ) (2024-05-29T10:26:16Z) - Molecule Joint Auto-Encoding: Trajectory Pretraining with 2D and 3D
Diffusion [19.151643496588022]
分子ジョイントオートエンコーディング(分子JAE)の事前学習法を提案する。
MoleculeJAEは2D結合(トポロジー)と3D配座(幾何学)の両方の情報を学習することができる。
MoleculeJAEは、20タスク中15タスクで最先端のパフォーマンスに到達することで、その効果を実証している。
論文 参考訳(メタデータ) (2023-12-06T12:58:37Z) - 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) - Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular
Property Prediction [53.06671763877109]
我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。
我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。
複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
論文 参考訳(メタデータ) (2023-02-04T01:32:40Z) - Domain-Agnostic Molecular Generation with Chemical Feedback [44.063584808910896]
MolGenは、分子生成に特化した事前訓練された分子言語モデルである。
1億以上の分子SELFIESを再構成することで構造的および文法的な洞察を内部化する。
我々の化学フィードバックパラダイムは、モデルを分子幻覚から遠ざけ、モデルの推定確率と実世界の化学的嗜好との整合性を確保する。
論文 参考訳(メタデータ) (2023-01-26T17:52:56Z) - 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) - Augmenting Molecular Deep Generative Models with Topological Data
Analysis Representations [21.237758981760784]
分子のトポロジカルデータ解析(TDA)表現を付加したSMILES変分自動エンコーダ(VAE)を提案する。
実験の結果, このTDA拡張により, SMILES VAEは3次元幾何学と電子特性の複雑な関係を捉えることができることがわかった。
論文 参考訳(メタデータ) (2021-06-08T15:49:21Z) - Learning to design drug-like molecules in three-dimensional space using
deep generative models [0.0]
Ligand Neural Network(L-Net)は、高品質の3D構造を持つ薬物様分子を設計するための新しいグラフ生成モデルです。
L-Netは化学的に正しい、コンフォメーションに有効な、非常に薬物的な分子を生成することができる。
論文 参考訳(メタデータ) (2021-04-17T07:30:23Z) - Advanced Graph and Sequence Neural Networks for Molecular Property
Prediction and Drug Discovery [53.00288162642151]
計算モデルや分子表現にまたがる包括的な機械学習ツール群であるMoleculeKitを開発した。
これらの表現に基づいて構築されたMoeculeKitには、ディープラーニングと、グラフとシーケンスデータのための従来の機械学習方法の両方が含まれている。
オンラインおよびオフラインの抗生物質発見と分子特性予測のタスクの結果から、MoneculeKitは以前の方法よりも一貫した改善を実現していることがわかる。
論文 参考訳(メタデータ) (2020-12-02T02:09:31Z)
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。