論文の概要: Gode -- Integrating Biochemical Knowledge Graph into Pre-training Molecule Graph Neural Network

• arxiv url: http://arxiv.org/abs/2306.01631v1
• Date: Fri, 2 Jun 2023 15:49:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-05 14:33:16.343380
• Title: Gode -- Integrating Biochemical Knowledge Graph into Pre-training Molecule Graph Neural Network
• Title（参考訳）: Gode -- 学習済み分子グラフニューラルネットワークに生化学知識グラフを統合する
• Authors: Pengcheng Jiang
• Abstract要約: 生物医学知識グラフ(KG)からの多領域情報と個々の分子構造のグラフ表現を統合する新しいアプローチを提案する。 性能評価のために,11個の化学特性予測タスクの事前学習モデルを微調整する。 我々のフレームワークから得られた結果は、我々の微調整されたモデルが既存の最先端モデルより優れていることを実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The precise prediction of molecular properties holds paramount importance in facilitating the development of innovative treatments and comprehending the intricate interplay between chemicals and biological systems. In this study, we propose a novel approach that integrates graph representations of individual molecular structures with multi-domain information from biomedical knowledge graphs (KGs). Integrating information from both levels, we can pre-train a more extensive and robust representation for both molecule-level and KG-level prediction tasks with our novel self-supervision strategy. For performance evaluation, we fine-tune our pre-trained model on 11 challenging chemical property prediction tasks. Results from our framework demonstrate our fine-tuned models outperform existing state-of-the-art models.
• Abstract（参考訳）: 分子特性の正確な予測は、革新的な治療法の開発を促進し、化学物質と生物学的システムの複雑な相互作用を理解する上で重要な役割を担っている。 本研究では,生物医学知識グラフ(kgs)から個々の分子構造のグラフ表現と多領域情報を統合する新しい手法を提案する。 両レベルからの情報を統合することで,分子レベルおよびKGレベルの予測タスクに対して,より広範囲かつ堅牢な表現を,新たなセルフスーパービジョン戦略で事前訓練することができる。 性能評価のために,11個の化学特性予測タスクの事前学習モデルを微調整する。 我々のフレームワークの結果は、我々の微調整されたモデルが既存の最先端モデルより優れていることを示している。

関連論文リスト

• Molecular Property Prediction Based on Graph Structure Learning [29.516479802217205]
  我々はGSL-MPPと呼ばれるグラフ構造学習(GSL)に基づくMPPアプローチを提案する。 具体的には、まず、分子グラフ上にグラフニューラルネットワーク(GNN)を適用し、分子表現を抽出する。 分子指紋を用いて分子類似性グラフ(MSG)を構築する。
  論文  参考訳（メタデータ） (2023-12-28T06:45:13Z)
• MolGrapher: Graph-based Visual Recognition of Chemical Structures [50.13749978547401]
  化学構造を視覚的に認識するためにMolGrapherを導入する。 すべての候補原子と結合をノードとして扱い、それらをグラフ化する。 グラフニューラルネットワークを用いてグラフ内の原子と結合ノードを分類する。
  論文  参考訳（メタデータ） (2023-08-23T16:16:11Z)
• Extracting Molecular Properties from Natural Language with Multimodal Contrastive Learning [1.3717673827807508]
  本研究では,分子特性情報を自然言語からグラフ表現へ伝達する方法について検討する。 我々は, テキスト検索を改善するために, ニューラル関連評価戦略を実装し, 化学的に有意な分子グラフ増強戦略を導入する。 グラフモダリティだけで事前学習されたモデルに対するAUROCの利得は+4.26%、最近提案された分子グラフ/テキストの対照的に訓練されたMoMuモデルに比べて+1.54%向上する。
  論文  参考訳（メタデータ） (2023-07-22T10:32:58Z)
• 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)
• Conditional Graph Information Bottleneck for Molecular Relational Learning [9.56625683182106]
  本稿では,コア部分グラフを検出してグラフ間の相互作用を予測できる新しい関係学習フレームワークCGIBを提案する。 提案手法は化学反応の性質,すなわち分子の核部分構造がどの分子と相互作用するかによって異なることを模倣する。
  論文  参考訳（メタデータ） (2023-04-29T01:17:43Z)
• Molecular Contrastive Learning with Chemical Element Knowledge Graph [16.136921143416927]
  分子表現学習は、分子特性予測や薬物設計など、下流の複数のタスクに寄与する。 我々は,元素間の微視的関連を要約するケミカル要素知識グラフ(KG)を構築した。 最初のモジュールである知識誘導グラフ拡張は、ケミカル要素KGに基づいて元の分子グラフを増強する。 第2のモジュールである知識対応グラフ表現は、元の分子グラフの共通グラフエンコーダと知識対応メッセージパッシングニューラルネットワーク(KMPNN)を用いて分子表現を抽出し、拡張された分子グラフの複雑な情報をエンコードする。
  論文  参考訳（メタデータ） (2021-12-01T15:04:39Z)
• 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)
• ASGN: An Active Semi-supervised Graph Neural Network for Molecular Property Prediction [61.33144688400446]
  本稿では,ラベル付き分子とラベルなし分子の両方を組み込んだ,アクティブ半教師付きグラフニューラルネットワーク(ASGN)を提案する。 教師モデルでは,分子構造や分子分布から情報を共同で活用する汎用表現を学習するための,新しい半教師付き学習手法を提案する。 最後に,分子多様性の観点から,フレームワーク学習全体を通して情報的データを選択するための新しい能動的学習戦略を提案する。
  論文  参考訳（メタデータ） (2020-07-07T04:22:39Z)
• Self-Supervised Graph Transformer on Large-Scale Molecular Data [73.3448373618865]
  分子表現学習のための新しいフレームワークGROVERを提案する。 GROVERは、分子の豊富な構造的および意味的な情報を、巨大な未標識分子データから学習することができる。 分子表現学習において、最大のGNNであり、最大のトレーニングデータセットである、1000万個の未標識分子に1億のパラメータを持つGROVERを事前訓練します。
  論文  参考訳（メタデータ） (2020-06-18T08:37:04Z)

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。