論文の概要: MolDiff: Addressing the Atom-Bond Inconsistency Problem in 3D Molecule Diffusion Generation

• arxiv url: http://arxiv.org/abs/2305.07508v1
• Date: Thu, 11 May 2023 08:11:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-15 12:41:48.001359
• Title: MolDiff: Addressing the Atom-Bond Inconsistency Problem in 3D Molecule Diffusion Generation
• Title（参考訳）: MolDiff: 3次元分子拡散生成における原子結合不整合問題に対処する
• Authors: Xingang Peng, Jiaqi Guan, Qiang Liu, Jianzhu Ma
• Abstract要約: 深部生成モデルは最近、3次元分子生成において優れた性能を達成している。 それらの多くは最初に原子を生成し、その後、生成した原子に基づいて化学結合を後処理で付加する。 我々は、この問題を原子結合不整合問題として定義し、非現実的な3D分子を生成するための現在のアプローチの主な理由であると主張している。
• 参考スコア（独自算出の注目度）: 10.414397377962485
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep generative models have recently achieved superior performance in 3D molecule generation. Most of them first generate atoms and then add chemical bonds based on the generated atoms in a post-processing manner. However, there might be no corresponding bond solution for the temporally generated atoms as their locations are generated without considering potential bonds. We define this problem as the atom-bond inconsistency problem and claim it is the main reason for current approaches to generating unrealistic 3D molecules. To overcome this problem, we propose a new diffusion model called MolDiff which can generate atoms and bonds simultaneously while still maintaining their consistency by explicitly modeling the dependence between their relationships. We evaluated the generation ability of our proposed model and the quality of the generated molecules using criteria related to both geometry and chemical properties. The empirical studies showed that our model outperforms previous approaches, achieving a three-fold improvement in success rate and generating molecules with significantly better quality.
• Abstract（参考訳）: 深層生成モデルは最近、3d分子生成において優れた性能を達成している。 それらのほとんどがまず原子を生成し、その後に生成した原子に基づいて化学結合を後処理で付加する。 しかし、その位置が潜在的な結合を考慮せずに生成されるため、時間的に生成された原子の対応する結合解は存在しないかもしれない。 我々は、この問題を原子結合不整合問題として定義し、非現実的な3d分子を生成する現在のアプローチの主な理由であると主張している。 この問題を克服するために,分子間の依存関係を明示的にモデル化することにより,原子と結合を同時に生成できるMoldiffと呼ばれる新しい拡散モデルを提案する。 提案するモデルの生成能と生成分子の品質を幾何学的および化学的性質の双方に関する基準を用いて評価した。 実験により, モデルが従来の手法より優れ, 成功率の3倍向上, 品質が著しく向上した分子の生成が得られた。

関連論文リスト

• Conditional Synthesis of 3D Molecules with Time Correction Sampler [58.0834973489875]
  Time-Aware Conditional Synthesis (TACS) は拡散モデルにおける条件生成の新しい手法である。 適応的に制御されたプラグアンドプレイの"オンライン"ガイダンスを拡散モデルに統合し、サンプルを所望の特性に向けて駆動する。
  論文  参考訳（メタデータ） (2024-11-01T12:59:25Z)
• Geometric-Facilitated Denoising Diffusion Model for 3D Molecule Generation [32.464905769094536]
  既存の拡散に基づくデノボ3次元分子生成法は2つの大きな課題に直面している。 本研究では,グローバル空間関係を完全に抽出し,高品質な表現を学習するためのDual-Track Transformer Network(DTN)を提案する。 第2の課題は、エッジを直接潜伏空間に埋め込むのではなく、トレーニング期間中に結合の形成に介入する幾何学的識別損失(GFLoss)を設計することである。
  論文  参考訳（メタデータ） (2024-01-05T07:29:21Z)
• 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)
• 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)
• 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)
• DiffBP: Generative Diffusion of 3D Molecules for Target Protein Binding [51.970607704953096]
  従来の研究は通常、原子の要素タイプと3次元座標を1つずつ生成する自己回帰的な方法で原子を生成する。 現実世界の分子系では、分子全体の原子間の相互作用が大域的であり、原子間のエネルギー関数が結合する。 本研究では、標的タンパク質に基づく分子3次元構造の生成拡散モデルを構築し、非自己回帰的に全原子レベルで構築する。
  論文  参考訳（メタデータ） (2022-11-21T07:02:15Z)
• MDM: Molecular Diffusion Model for 3D Molecule Generation [19.386468094571725]
  既存の拡散に基づく3D分子生成法は、不満足な性能に悩まされる可能性がある。 原子間関係は分子の3次元点雲表現にはない。 提案したモデルは、条件付きタスクと条件付きタスクの両方において、既存のメソッドよりも大幅に優れている。
  論文  参考訳（メタデータ） (2022-09-13T03:40:18Z)
• 3DLinker: An E(3) Equivariant Variational Autoencoder for Molecular Linker Design [9.806910643086043]
  本稿では,アンカー原子を予測し,リンカーグラフとその3D構造を共同生成できる条件生成モデル3DLinkerを提案する。 我々のモデルは、分子グラフの回収において著しく高い速度を持ち、さらに重要なことは、全ての原子の3次元座標を正確に予測することである。
  論文  参考訳（メタデータ） (2022-05-15T15:26:29Z)
• Learning Latent Space Energy-Based Prior Model for Molecule Generation [59.875533935578375]
  分子モデリングのためのSMILES表現を用いた潜時空間エネルギーに基づく先行モデルについて学習する。 本手法は,最先端モデルと競合する妥当性と特異性を持つ分子を生成することができる。
  論文  参考訳（メタデータ） (2020-10-19T09:34:20Z)

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。