論文の概要: 3D Molecular Geometry Analysis with 2D Graphs

• arxiv url: http://arxiv.org/abs/2305.13315v1
• Date: Mon, 1 May 2023 19:00:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-28 05:10:51.431472
• Title: 3D Molecular Geometry Analysis with 2D Graphs
• Title（参考訳）: 2次元グラフを用いた3次元分子幾何解析
• Authors: Zhao Xu, Yaochen Xie, Youzhi Luo, Xuan Zhang, Xinyi Xu, Meng Liu, Kaleb Dickerson, Cheng Deng, Maho Nakata, Shuiwang Ji
• Abstract要約: 分子の基底状態3次元ジオメトリは多くの分子解析タスクに必須である。 現代の量子力学的手法は正確な3次元幾何学を計算できるが、計算は禁じられている。 分子グラフから3次元幾何学を予測するための新しいディープラーニングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 79.47097907673877
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ground-state 3D geometries of molecules are essential for many molecular analysis tasks. Modern quantum mechanical methods can compute accurate 3D geometries but are computationally prohibitive. Currently, an efficient alternative to computing ground-state 3D molecular geometries from 2D graphs is lacking. Here, we propose a novel deep learning framework to predict 3D geometries from molecular graphs. To this end, we develop an equilibrium message passing neural network (EMPNN) to better capture ground-state geometries from molecular graphs. To provide a testbed for 3D molecular geometry analysis, we develop a benchmark that includes a large-scale molecular geometry dataset, data splits, and evaluation protocols. Experimental results show that EMPNN can efficiently predict more accurate ground-state 3D geometries than RDKit and other deep learning methods. Results also show that the proposed framework outperforms self-supervised learning methods on property prediction tasks.
• Abstract（参考訳）: 分子の基底状態3次元ジオメトリは多くの分子解析タスクに必須である。 現代の量子力学的手法は正確な3dジオメトリを計算できるが、計算は不可能である。 現在、2次元グラフからの基底状態3次元分子ジオメトリーの効率的な代替手段が不足している。 本稿では,分子グラフから3次元ジオメトリを予測するための新しいディープラーニングフレームワークを提案する。 この目的のために、分子グラフから基底状態のジオメトリをよりよく捉えるための平衡メッセージパッシングニューラルネットワーク(EMPNN)を開発した。 3次元分子幾何学解析のためのテストベッドとして,大規模分子幾何学データセット,データ分割,評価プロトコルを含むベンチマークを開発した。 実験の結果,EMPNNはRDKitや他の深層学習手法よりも高精度な地上3D測地を効率的に予測できることがわかった。 また,提案手法は,プロパティ予測タスクにおける自己教師付き学習手法よりも優れていた。

関連論文リスト

• Geometry Informed Tokenization of Molecules for Language Model Generation [85.80491667588923]
  言語モデル(LM)を用いた三次元空間における分子生成の検討 分子グラフのトークン化は存在するが、3次元幾何学では、ほとんど探索されていない。 分子幾何学を$SE(3)$-invariant 1D離散配列に変換するGeo2Seqを提案する。
  論文  参考訳（メタデータ） (2024-08-19T16:09:59Z)
• A Hitchhiker's Guide to Geometric GNNs for 3D Atomic Systems [87.30652640973317]
  原子系の計算モデリングの最近の進歩は、これらを3次元ユークリッド空間のノードとして埋め込まれた原子を含む幾何学的グラフとして表現している。 Geometric Graph Neural Networksは、タンパク質構造予測から分子シミュレーション、物質生成まで、幅広い応用を駆動する機械学習アーキテクチャとして好まれている。 本稿では,3次元原子システムのための幾何学的GNNの分野について,包括的で自己完結した概要を述べる。
  論文  参考訳（メタデータ） (2023-12-12T18:44:19Z)
• Automated 3D Pre-Training for Molecular Property Prediction [54.15788181794094]
  新たな3D事前学習フレームワーク(3D PGT)を提案する。 3D分子グラフのモデルを事前訓練し、3D構造のない分子グラフに微調整する。 提案した3次元PGTの精度, 効率, 一般化能力を示すために, 2次元分子グラフの大規模実験を行った。
  論文  参考訳（メタデータ） (2023-06-13T14:43:13Z)
• Geometry-Complete Diffusion for 3D Molecule Generation and Optimization [3.8366697175402225]
  3次元分子生成のための幾何-完全拡散モデル(GCDM)を導入する。 GCDMは、既存の3次元分子拡散モデルよりも条件および非条件設定間で大きなマージンで優れている。 また、GCDMの幾何学的特徴は、既存の3次元分子の幾何学的および化学組成を一貫して最適化するために再利用可能であることも示している。
  論文  参考訳（メタデータ） (2023-02-08T20:01:51Z)
• 3D Infomax improves GNNs for Molecular Property Prediction [1.9703625025720701]
  本稿では,2次元分子グラフのみに与えられる分子の幾何学をモデル化するための事前学習モデルを提案する。 我々は,3次元事前学習が幅広い特性に対して大きな改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2021-10-08T13:30:49Z)
• Molecule3D: A Benchmark for Predicting 3D Geometries from Molecular Graphs [79.06686274377009]
  我々は、約400万分子の正確な基底状態のジオメトリーを持つデータセットを含むMolecule3Dと呼ばれるベンチマークを開発する。 我々は3次元空間における原子と原子の対距離を予測する2つのベースライン法を実装した。 本手法は予測精度に匹敵する精度を達成できるが,計算コストははるかに小さい。
  論文  参考訳（メタデータ） (2021-09-30T22:09:28Z)
• GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
  分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。 既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。 エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
  論文  参考訳（メタデータ） (2021-06-08T14:17:59Z)

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。