論文の概要: Von Mises Mixture Distributions for Molecular Conformation Generation
- arxiv url: http://arxiv.org/abs/2306.07472v1
- Date: Tue, 13 Jun 2023 00:29:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-14 15:29:43.455072
- Title: Von Mises Mixture Distributions for Molecular Conformation Generation
- Title（参考訳）: 分子配座生成のためのvon mises混合分布
- Authors: Kirk Swanson, Jake Williams, Eric Jonas
- Abstract要約: VonMisesNetは、回転可能なボンドねじれ角の変動近似を通じてコンフォメーション変動をキャプチャする新しいグラフニューラルネットワークである。
VonMisesNetは、ボルツマン分布と既存のサンプリング法より桁違いに高速な物理精度で任意の分子のコンフォメーションを生成できることを実証した。
- 参考スコア（独自算出の注目度）: 3.867363075280544
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Molecules are frequently represented as graphs, but the underlying 3D
molecular geometry (the locations of the atoms) ultimately determines most
molecular properties. However, most molecules are not static and at room
temperature adopt a wide variety of geometries or $\textit{conformations}$. The
resulting distribution on geometries $p(x)$ is known as the Boltzmann
distribution, and many molecular properties are expectations computed under
this distribution. Generating accurate samples from the Boltzmann distribution
is therefore essential for computing these expectations accurately. Traditional
sampling-based methods are computationally expensive, and most recent machine
learning-based methods have focused on identifying $\textit{modes}$ in this
distribution rather than generating true $\textit{samples}$. Generating such
samples requires capturing conformational variability, and it has been widely
recognized that the majority of conformational variability in molecules arises
from rotatable bonds. In this work, we present VonMisesNet, a new graph neural
network that captures conformational variability via a variational
approximation of rotatable bond torsion angles as a mixture of von Mises
distributions. We demonstrate that VonMisesNet can generate conformations for
arbitrary molecules in a way that is both physically accurate with respect to
the Boltzmann distribution and orders of magnitude faster than existing
sampling methods.
- Abstract（参考訳）: 分子はしばしばグラフとして表されるが、基礎となる3次元分子幾何学(原子の位置)は最終的にほとんどの分子特性を決定する。
しかし、ほとんどの分子は静的ではなく、室温では様々なジオメトリーや$\textit{conformations}$を採用する。
結果として得られる$p(x)$ 上の分布はボルツマン分布と呼ばれ、多くの分子的性質はこの分布の下で計算される。
したがってボルツマン分布から正確なサンプルを生成することは、これらの期待を正確に計算するのに必須である。
従来のサンプリングベースのメソッドは計算コストが高く、最近の機械学習ベースのメソッドでは、真の$\textit{samples}$を生成するのではなく、$\textit{modes}$を特定することに重点を置いている。
このようなサンプルを生成するにはコンフォメーションの変動性が必要であり、分子のコンフォメーションの変動性の大部分はロタブル結合から生じることが広く認識されている。
本稿では、フォン・ミセス分布の混合として、回転可能なボンドねじれ角の変動近似を用いてコンフォメーション変動を捉える新しいグラフニューラルネットワークであるVonMisesNetを提案する。
VonMisesNetは、ボルツマン分布と既存のサンプリング法よりもはるかに高速に、物理的に正確な方法で任意の分子のコンフォメーションを生成することができることを示した。
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) - Learning Mixtures of Gaussians Using Diffusion Models [9.118706387430883]
テレビエラーに対して$k$ Gaussiansの混合を学習するための新しいアルゴリズムを提案する。
我々のアプローチは解析的であり、拡散モデルの枠組みに依存している。
論文 参考訳（メタデータ） (2024-04-29T17:00:20Z) - Toward using GANs in astrophysical Monte-Carlo simulations [0.0]
我々は,GAN(Generative Adversarial Network)がMaxwell-J"uttner分布を統計的に複製できることを示す。
コルモゴロフ・スミルノフ実験の平均値は、ニューラルネットワークによって生成されたサンプルに対して0.5であり、生成された分布が真の分布と区別できないことを示す。
論文 参考訳（メタデータ） (2024-02-16T23:07:53Z) - Molecular Conformation Generation via Shifting Scores [21.986775283620883]
本稿では,分子の崩壊を,分子を構成する原子に増大する力場を鋳造すると見なすことのできる新しい分子コンホメーション生成手法を提案する。
対応する生成モデリングは、実現可能な原子間距離幾何学を保証し、時間可逆性を示す。
論文 参考訳（メタデータ） (2023-09-12T07:39:43Z) - Towards Predicting Equilibrium Distributions for Molecular Systems with
Deep Learning [60.02391969049972]
本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。
DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
論文 参考訳（メタデータ） (2023-06-08T17:12:08Z) - 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) - Can Push-forward Generative Models Fit Multimodal Distributions? [3.8615905456206256]
生成ネットワークのリプシッツ定数はマルチモーダル分布に適合するために大きくなければならないことを示す。
本研究では,1次元および画像のデータセットを用いて,各ステップで入力されたスタックネットワークからなる生成モデルがそのような制約を負わないことを実証的に検証した。
論文 参考訳（メタデータ） (2022-06-29T09:03:30Z) - Exploring Chemical Space with Score-based Out-of-distribution Generation [57.15855198512551]
生成微分方程式(SDE)にアウト・オブ・ディストリビューション制御を組み込んだスコアベース拡散方式を提案する。
いくつかの新しい分子は現実世界の薬物の基本的な要件を満たしていないため、MOODは特性予測器からの勾配を利用して条件付き生成を行う。
我々はMOODがトレーニング分布を超えて化学空間を探索できることを実験的に検証し、既存の方法で見いだされた分子、そして元のトレーニングプールの上位0.01%までも生成できることを実証した。
論文 参考訳（メタデータ） (2022-06-06T06:17:11Z) - Equivariant Diffusion for Molecule Generation in 3D [74.289191525633]
この研究は、ユークリッド変換に同値な3次元の分子計算生成のための拡散モデルを導入する。
提案手法は, 従来の3次元分子生成法に比べて, 生成した試料の品質と訓練時の効率を著しく向上させる。
論文 参考訳（メタデータ） (2022-03-31T12:52:25Z) - GeoDiff: a Geometric Diffusion Model for Molecular Conformation
Generation [102.85440102147267]
分子配座予測のための新しい生成モデルGeoDiffを提案する。
GeoDiffは、既存の最先端のアプローチよりも優れているか、あるいは同等であることを示す。
論文 参考訳（メタデータ） (2022-03-06T09:47:01Z)
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。