論文の概要: Goal-conditioned GFlowNets for Controllable Multi-Objective Molecular Design

• arxiv url: http://arxiv.org/abs/2306.04620v2
• Date: Thu, 29 Jun 2023 21:25:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-03 14:51:08.819422
• Title: Goal-conditioned GFlowNets for Controllable Multi-Objective Molecular Design
• Title（参考訳）: 制御可能な多目的分子設計のための目標条件gflownets
• Authors: Julien Roy, Pierre-Luc Bacon, Christopher Pal and Emmanuel Bengio
• Abstract要約: シリコン内分子設計は、機械学習コミュニティから多くの注目を集めている。 従来のアプローチでは、多目的問題を優先条件の単一目的にするために、スカラー化方式を採用していた。 本研究では、より制御可能な条件モデルを得るために、ゴール条件付き分子生成の代替的な定式化を実験する。
• 参考スコア（独自算出の注目度）: 9.572179696628577
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In recent years, in-silico molecular design has received much attention from the machine learning community. When designing a new compound for pharmaceutical applications, there are usually multiple properties of such molecules that need to be optimised: binding energy to the target, synthesizability, toxicity, EC50, and so on. While previous approaches have employed a scalarization scheme to turn the multi-objective problem into a preference-conditioned single objective, it has been established that this kind of reduction may produce solutions that tend to slide towards the extreme points of the objective space when presented with a problem that exhibits a concave Pareto front. In this work we experiment with an alternative formulation of goal-conditioned molecular generation to obtain a more controllable conditional model that can uniformly explore solutions along the entire Pareto front.
• Abstract（参考訳）: 近年、シリコン分子設計は機械学習コミュニティから多くの注目を集めている。 医薬品用途の新しい化合物を設計する際には、ターゲットへのエネルギーの結合、合成性、毒性、EC50など、最適化される必要がある分子の複数の性質がある。 従来のアプローチでは、多目的問題を選好条件付き単一目的に変換するためにスカラー化スキームが採用されていたが、このような削減は、対向空間の極端点に向かってスライドする傾向のある解を、凹面のパレート面を呈する問題によって生じる可能性がある。 本研究では, 目標条件分子生成の代替的定式化を試み, パレート前線全体の解を均一に探索できる, より制御可能な条件モデルを得る。

関連論文リスト

• Aligning Target-Aware Molecule Diffusion Models with Exact Energy Optimization [147.7899503829411]
  AliDiffは、事前訓練されたターゲット拡散モデルと望ましい機能特性を整合させる新しいフレームワークである。 最先端の結合エネルギーを持つ分子を最大7.07 Avg. Vina Scoreで生成することができる。
  論文  参考訳（メタデータ） (2024-07-01T06:10:29Z)
• UniIF: Unified Molecule Inverse Folding [67.60267592514381]
  全分子の逆折り畳みのための統一モデルUniIFを提案する。 提案手法は,全タスクにおける最先端手法を超越した手法である。
  論文  参考訳（メタデータ） (2024-05-29T10:26:16Z)
• DecompOpt: Controllable and Decomposed Diffusion Models for Structure-based Molecular Optimization [49.85944390503957]
  DecompOptは、制御可能・拡散モデルに基づく構造に基づく分子最適化手法である。 DecompOptは強いde novoベースラインよりも優れた特性を持つ分子を効率よく生成できることを示す。
  論文  参考訳（メタデータ） (2024-03-07T02:53:40Z)
• PrefixMol: Target- and Chemistry-aware Molecule Design via Prefix Embedding [34.27649279751879]
  対象ポケットの状況と様々な化学特性を考慮した新しい生成モデルを構築した。 実験により,本モデルは単条件および多条件の分子生成において良好な制御性を示すことが示された。
  論文  参考訳（メタデータ） (2023-02-14T15:27:47Z)
• Retrieval-based Controllable Molecule Generation [63.44583084888342]
  制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。 我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。 提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
  論文  参考訳（メタデータ） (2022-08-23T17:01:16Z)
• Target-aware Molecular Graph Generation [37.937378787812264]
  そこで我々は,SiamFlowを提案する。これはフローが潜在空間内のターゲットシーケンス埋め込みの分布に適合するように強制する。 具体的には、アライメント損失と一様損失を用いて、ターゲットシーケンスの埋め込みと薬物グラフの埋め込みを合意に導く。 実験により,提案手法は,分子グラフ生成に向けた潜在空間における有意な表現を定量的に学習することを示す。
  論文  参考訳（メタデータ） (2022-02-10T04:31:14Z)
• MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [51.00815310242277]
  生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。 本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
  論文  参考訳（メタデータ） (2020-10-05T20:18:42Z)
• Scaffold-constrained molecular generation [0.0]
  SMILESをベースとしたリカレントニューラルネットワーク(Recurrent Neural Network, RNN)生成モデルを構築し, 足場制約付き生成を実現するため, サンプリング手法を改良した。 本稿では,様々なタスクにおいて足場制約付き生成を行う手法について紹介する。
  論文  参考訳（メタデータ） (2020-09-15T15:41:18Z)
• Learning To Navigate The Synthetically Accessible Chemical Space Using Reinforcement Learning [75.95376096628135]
  ド・ノボ薬物設計のための強化学習(RL)を利用した新しい前方合成フレームワークを提案する。 このセットアップでは、エージェントは巨大な合成可能な化学空間をナビゲートする。 本研究は,合成可能な化学空間を根本的に拡張する上で,エンド・ツー・エンド・トレーニングが重要なパラダイムであることを示す。
  論文  参考訳（メタデータ） (2020-04-26T21:40:03Z)

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。