論文の概要: Mol-PECO: a deep learning model to predict human olfactory perception from molecular structures

• arxiv url: http://arxiv.org/abs/2305.12424v1
• Date: Sun, 21 May 2023 10:44:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-23 20:33:04.988429
• Title: Mol-PECO: a deep learning model to predict human olfactory perception from molecular structures
• Title（参考訳）: Mol-PECO:分子構造から人間の嗅覚知覚を予測するディープラーニングモデル
• Authors: Mengji Zhang, Yusuke Hiki, Akira Funahashi, Tetsuya J. Kobayashi
• Abstract要約: 分子構造からの嗅覚知覚を予測するため,Moll-PECOと呼ばれる深層学習モデルを開発した。 8,503分子の包括的データセットにより、モル-PECOは118の匂い記述子において0.813のエリアアンダー・ザ・レシーバー・オペレーティング・キャラクタリスティック(AUROC)を直接達成する。 我々の研究は嗅覚とメカニズムの理解と解読を促進するかもしれない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: While visual and auditory information conveyed by wavelength of light and frequency of sound have been decoded, predicting olfactory information encoded by the combination of odorants remains challenging due to the unknown and potentially discontinuous perceptual space of smells and odorants. Herein, we develop a deep learning model called Mol-PECO (Molecular Representation by Positional Encoding of Coulomb Matrix) to predict olfactory perception from molecular structures. Mol-PECO updates the learned atom embedding by directional graph convolutional networks (GCN), which model the Laplacian eigenfunctions as positional encoding, and Coulomb matrix, which encodes atomic coordinates and charges. With a comprehensive dataset of 8,503 molecules, Mol-PECO directly achieves an area-under-the-receiver-operating-characteristic (AUROC) of 0.813 in 118 odor descriptors, superior to the machine learning of molecular fingerprints (AUROC of 0.761) and GCN of adjacency matrix (AUROC of 0.678). The learned embeddings by Mol-PECO also capture a meaningful odor space with global clustering of descriptors and local retrieval of similar odorants. Our work may promote the understanding and decoding of the olfactory sense and mechanisms.
• Abstract（参考訳）: 光の波長と音の周波数で伝達される視覚情報や聴覚情報はデコードされているが、臭気と臭気の未知かつ不連続な知覚空間のため、臭気の組み合わせによって符号化される嗅覚情報の予測は依然として困難である。 本稿では,分子構造からの嗅覚知覚を予測するため,Mol-PECO (Molecular Representation by Positional Encoding of Coulomb Matrix) と呼ばれるディープラーニングモデルを開発した。 Mol-PECOは、ラプラシア固有関数を位置符号化としてモデル化する方向グラフ畳み込みネットワーク(GCN)と、原子座標と電荷を符号化するクーロン行列によって学習された原子の埋め込みを更新する。 8,503分子の包括的なデータセットにより、mol-pecoは118の匂い記述子で0.813の領域を直接達成し、分子指紋の機械学習(auroc: 0.761)や隣接マトリックス(auroc:0.678)よりも優れている。 Mol-PECOの学習した埋め込みはまた、デクリプタのグローバルクラスタリングと類似の臭気の局所検索によって有意義な匂い空間を捉える。 我々の研究は嗅覚とメカニズムの理解と解読を促進するかもしれない。

関連論文リスト

• Knowledge-aware contrastive heterogeneous molecular graph learning [77.94721384862699]
  分子グラフを不均一な分子グラフ学習(KCHML)に符号化するパラダイムシフトを提案する。 KCHMLは、不均一な分子グラフと二重メッセージパッシング機構によって強化された3つの異なるグラフビュー-分子、元素、薬理学-を通して分子を概念化する。 この設計は、プロパティ予測やドラッグ・ドラッグ・インタラクション(DDI)予測などの下流タスクに対する包括的な表現を提供する。
  論文  参考訳（メタデータ） (2025-02-17T11:53:58Z)
• DiffMS: Diffusion Generation of Molecules Conditioned on Mass Spectra [60.39311767532607]
  DiffMSは式制限エンコーダ-デコーダ生成ネットワークである。 我々は、潜伏埋め込みと分子構造を橋渡しする頑健なデコーダを開発する。 実験の結果、DiffMS は $textitde novo$ 分子生成で既存のモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-13T18:29:48Z)
• Pre-trained Molecular Language Models with Random Functional Group Masking [54.900360309677794]
  SMILESをベースとしたアンダーリネム分子アンダーリネム言語アンダーリネムモデルを提案し,特定の分子原子に対応するSMILESサブシーケンスをランダムにマスキングする。 この技術は、モデルに分子構造や特性をよりよく推測させ、予測能力を高めることを目的としている。
  論文  参考訳（メタデータ） (2024-11-03T01:56:15Z)
• 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 Identification via Molecular Fingerprint extraction from Atomic Force Microscopy images [0.0]
  深層学習モデルは、一定の高さのHR-AFM画像の3Dスタックに符号化された化学情報や構造情報を検索することができる。 本研究では, トポロジカルフィンガーによる分子構造記述の確立により, それらの限界を克服する。 指紋による仮想検診を他のDLモデルによって提供されるグローバルな情報で補完することは可能であることを示す。
  論文  参考訳（メタデータ） (2024-05-07T13:47:35Z)
• MolTC: Towards Molecular Relational Modeling In Language Models [28.960416816491392]
  分子間相互作用予測のための新しい枠組みとして,分子間相互作用予測法(分子間相互作用予測法)を提案する。 我々の実験は4000,000以上の分子対を含む様々なデータセットで実施され、現在のGNNおよびLLMベースラインよりも優れていることを示した。
  論文  参考訳（メタデータ） (2024-02-06T07:51:56Z)
• Unsupervised Spectral Unmixing For Telluric Correction Using A Neural Network Autoencoder [58.720142291102135]
  本研究では,HARPS-N線速度スペクトルから高精度の太陽スペクトルを抽出するニューラルネットワークオートエンコーダ手法を提案する。
  論文  参考訳（メタデータ） (2021-11-17T12:54:48Z)
• 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)
• Do Large Scale Molecular Language Representations Capture Important Structural Information? [31.76876206167457]
  本稿では,MoLFormerと呼ばれる効率的なトランスフォーマーエンコーダモデルのトレーニングにより得られた分子埋め込みについて述べる。 実験の結果,グラフベースおよび指紋ベースによる教師付き学習ベースラインと比較して,学習された分子表現が競合的に機能することが確認された。
  論文  参考訳（メタデータ） (2021-06-17T14:33:55Z)
• Knowledge-aware Contrastive Molecular Graph Learning [5.08771973600915]
  自己監督型分子表現学習のためのコントラシブナレッジアウェアGNN(CKGNN)を提案する。 私たちは、コントラスト学習フレームワークの下で知識認識分子エンコーダを介してドメイン知識を明示的にエンコードします。 8つの公開データセットの実験は、平均で6%の絶対的な改善と私たちのモデルの有効性を示しています。
  論文  参考訳（メタデータ） (2021-03-24T08:55:08Z)

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。