論文の概要: MolKD: Distilling Cross-Modal Knowledge in Chemical Reactions for Molecular Property Prediction

• arxiv url: http://arxiv.org/abs/2305.01912v1
• Date: Wed, 3 May 2023 06:01:03 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-04 15:51:27.320449
• Title: MolKD: Distilling Cross-Modal Knowledge in Chemical Reactions for Molecular Property Prediction
• Title（参考訳）: MolKD:分子特性予測のための化学反応におけるクロスモーダル知識の蒸留
• Authors: Liang Zeng, Lanqing Li, Jian Li
• Abstract要約: 分子を効果的に表現する方法は、分子特性予測と薬物発見の長年の課題である。 本稿では,化学領域の知識,特に化学反応に関する知識を有効分子表現の学習に取り入れることを提案する。 分子特性予測を支援するために化学反応におけるクロスモーダル知識を希釈する新しい手法である MolKD を導入する。
• 参考スコア（独自算出の注目度）: 9.100067773907403
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: How to effectively represent molecules is a long-standing challenge for molecular property prediction and drug discovery. This paper studies this problem and proposes to incorporate chemical domain knowledge, specifically related to chemical reactions, for learning effective molecular representations. However, the inherent cross-modality property between chemical reactions and molecules presents a significant challenge to address. To this end, we introduce a novel method, namely MolKD, which Distills cross-modal Knowledge in chemical reactions to assist Molecular property prediction. Specifically, the reaction-to-molecule distillation model within MolKD transfers cross-modal knowledge from a pre-trained teacher network learning with one modality (i.e., reactions) into a student network learning with another modality (i.e., molecules). Moreover, MolKD learns effective molecular representations by incorporating reaction yields to measure transformation efficiency of the reactant-product pair when pre-training on reactions. Extensive experiments demonstrate that MolKD significantly outperforms various competitive baseline models, e.g., 2.1% absolute AUC-ROC gain on Tox21. Further investigations demonstrate that pre-trained molecular representations in MolKD can distinguish chemically reasonable molecular similarities, which enables molecular property prediction with high robustness and interpretability.
• Abstract（参考訳）: 分子を効果的に表現する方法は、分子特性予測と薬物発見の長年の課題である。 本稿では, 化学領域の知識, 特に化学反応に関する知識を, 効果的な分子表現の学習に取り入れることを提案する。 しかし、化学反応と分子間の固有の相互モダリティ特性は、対処すべき重要な課題である。 この目的のために,分子特性予測を支援するために化学反応におけるクロスモーダル知識を希釈する新しい手法,MolKDを導入する。 具体的には、molkd内の反応-分子蒸留モデルは、あるモダリティ(反応)を持つ教師ネットワーク学習から別のモダリティ(分子)を持つ学生ネットワーク学習へのクロスモーダル知識を伝達する。 さらに、MolKDは反応生成物を組み込むことで効果的な分子表現を学習し、反応の事前学習時に反応生成物対の変換効率を測定する。 大規模な実験により、MolKD は Tox21 上での2.1% の絶対 AUC-ROC ゲインなど、様々な競争ベースラインモデルよりも大幅に優れていることが示された。 さらなる研究により、MolKDの事前訓練された分子表現は化学的に合理的な分子類似性を区別し、高い堅牢性と解釈性を持つ分子特性予測を可能にすることが示されている。

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)
• How Molecules Impact Cells: Unlocking Contrastive PhenoMolecular Retrieval [6.77417215041515]
  分子構造と微視的表現実験の結合潜時空間を学習し、対のサンプルを対照的な学習と整列する。 我々は、これまでの最先端技術と比較して、ゼロショット分子の検索が8.1倍向上し、トップ1%の精度で77.33%に達したことを実証した。 これらの結果は、仮想フェノミクススクリーニングに機械学習を適用するための扉を開く。
  論文  参考訳（メタデータ） (2024-09-10T18:16:27Z)
• Atom-Motif Contrastive Transformer for Molecular Property Prediction [68.85399466928976]
  グラフトランス (GT) モデルは分子特性予測 (MPP) のタスクで広く利用されている。 本稿では,原子レベルの相互作用を探索し,モチーフレベルの相互作用を考慮した新しいAtom-Motif Contrastive Transformer(AMCT)を提案する。 提案したAMCTは,7つの一般的なベンチマークデータセットに対して広範囲に評価され,定量的および定性的な結果の両方が有効であることを示す。
  論文  参考訳（メタデータ） (2023-10-11T10:03:10Z)
• MolCAP: Molecular Chemical reActivity pretraining and prompted-finetuning enhanced molecular representation learning [3.179128580341411]
  MolCAPは、化学反応性(IMR)知識に基づくグラフ事前学習トランスフォーマーであり、微調整を誘導する。 MolCAPによって推進され、基礎的なグラフニューラルネットワークでさえ、以前のモデルを上回る驚くべきパフォーマンスを達成することができる。
  論文  参考訳（メタデータ） (2023-06-13T13:48:06Z)
• Molecule Design by Latent Space Energy-Based Modeling and Gradual Distribution Shifting [53.44684898432997]
  化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。 本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。 本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
  論文  参考訳（メタデータ） (2023-06-09T03:04:21Z)
• 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)
• Materials Discovery with Extreme Properties via Reinforcement Learning-Guided Combinatorial Chemistry [0.23301643766310373]
  ルールベースの分子デザイナは、その後の分子フラグメントを選択してターゲット分子を得るための訓練されたポリシーによって駆動される。 極端に標的となる7つの性質にぶつかる分子の発見を目的とした実験で、我々のモデルはターゲットを隠蔽する分子の1,315個を発見した。 分子断片の結合規則の下で生成される全ての分子が100%化学的に有効であることが確認されている。
  論文  参考訳（メタデータ） (2023-03-21T13:21:43Z)
• Improving Molecular Pretraining with Complementary Featurizations [20.86159731100242]
  分子プレトレーニング(英: molecular pretraining)は、計算化学と薬物発見における様々な課題を解決するためのパラダイムである。 化学情報を異なる方法で伝達できることが示される。 我々は, 簡易で効果的な分子事前学習フレームワーク(MOCO)を提案する。
  論文  参考訳（メタデータ） (2022-09-29T21:11:09Z)
• Exploring Chemical Space with Score-based Out-of-distribution Generation [57.15855198512551]
  生成微分方程式(SDE)にアウト・オブ・ディストリビューション制御を組み込んだスコアベース拡散方式を提案する。 いくつかの新しい分子は現実世界の薬物の基本的な要件を満たしていないため、MOODは特性予測器からの勾配を利用して条件付き生成を行う。 我々はMOODがトレーニング分布を超えて化学空間を探索できることを実験的に検証し、既存の方法で見いだされた分子、そして元のトレーニングプールの上位0.01%までも生成できることを実証した。
  論文  参考訳（メタデータ） (2022-06-06T06:17:11Z)
• Chemical-Reaction-Aware Molecule Representation Learning [88.79052749877334]
  本稿では,化学反応を用いて分子表現の学習を支援することを提案する。 本手法は,1) 埋め込み空間を適切に整理し, 2) 分子埋め込みの一般化能力を向上させるために有効であることが証明された。 実験結果から,本手法は様々なダウンストリームタスクにおける最先端性能を実現することが示された。
  論文  参考訳（メタデータ） (2021-09-21T00:08:43Z)
• Property-aware Adaptive Relation Networks for Molecular Property Prediction [34.13439007658925]
  分子特性予測問題に対する特性認識適応関係ネットワーク(PAR)を提案する。 我々のPARは、既存のグラフベースの分子エンコーダと互換性があり、プロパティ対応分子埋め込みとモデル分子関係グラフを得る能力も備えている。
  論文  参考訳（メタデータ） (2021-07-16T16:22:30Z)

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。