論文の概要: 3D molecule generation by denoising voxel grids

• arxiv url: http://arxiv.org/abs/2306.07473v1
• Date: Tue, 13 Jun 2023 00:38:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-14 15:29:59.651479
• Title: 3D molecule generation by denoising voxel grids
• Title（参考訳）: ボクセル格子による3次元分子生成
• Authors: Pedro O. Pinheiro, Joshua Rackers, Joseph Kleinhenz, Michael Maser, Omar Mahmood, Andrew Martin Watkins, Stephen Ra, Vishnu Sresht, Saeed Saremi
• Abstract要約: 正規格子上に原子密度を表す3次元分子を生成するための新しいスコアベース手法を提案する。 我々は、ノイズ分子のスムーズな分布から実際の分子の分布への写像を学習する認知ニューラルネットワークを訓練する。 我々の方法であるVoxMolは、現在の技術と根本的に異なる方法で分子を生成する。
• 参考スコア（独自算出の注目度）: 7.8205667195810795
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a new score-based approach to generate 3D molecules represented as atomic densities on regular grids. First, we train a denoising neural network that learns to map from a smooth distribution of noisy molecules to the distribution of real molecules. Then, we follow the neural empirical Bayes framework [Saremi and Hyvarinen, 2019] and generate molecules in two steps: (i) sample noisy density grids from a smooth distribution via underdamped Langevin Markov chain Monte Carlo, and (ii) recover the ``clean'' molecule by denoising the noisy grid with a single step. Our method, VoxMol, generates molecules in a fundamentally different way than the current state of the art (i.e., diffusion models applied to atom point clouds). It differs in terms of the data representation, the noise model, the network architecture and the generative modeling algorithm. VoxMol achieves comparable results to state of the art on unconditional 3D molecule generation while being simpler to train and faster to generate molecules.
• Abstract（参考訳）: 正規格子上に原子密度を表す3次元分子を生成するための新しいスコアベース手法を提案する。 まず,ノイズの多い分子の滑らかな分布から実際の分子の分布にマップすることを学ぶ,分断ニューラルネットワークを訓練する。 次に、神経経験的ベイズフレームワーク(saremi and hyvarinen, 2019)に従い、2つのステップで分子を生成します。 (i)弱減衰したランジュバンマルコフ連鎖モンテカルロを経由する平滑な分布からの雑音密度格子のサンプルおよび (i)ノイズ格子を1ステップで denoizingして ``clean'' 分子を回収する。 我々の方法であるVoxMolは、現在の技術の状態(すなわち原子点雲に適用される拡散モデル)と根本的に異なる方法で分子を生成する。 データ表現、ノイズモデル、ネットワークアーキテクチャ、生成モデリングアルゴリズムの点で異なる。 VoxMolは、非条件の3D分子生成技術と同等の結果を得ると同時に、より訓練しやすく、より速く分子を生成することができる。

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)
• Derivative-Free Guidance in Continuous and Discrete Diffusion Models with Soft Value-Based Decoding [84.3224556294803]
  拡散モデルは、画像、分子、DNA、RNA、タンパク質配列の自然なデザイン空間を捉えるのに優れている。 これらの設計空間の自然性を保ちながら、下流の報酬関数を最適化することを目指している。 提案アルゴリズムは,中間雑音状態が将来高い報酬をもたらすことの先駆けとして,ソフトバリュー関数を統合する。
  論文  参考訳（メタデータ） (2024-08-15T16:47:59Z)
• Lift Your Molecules: Molecular Graph Generation in Latent Euclidean Space [46.11163798008912]
  3次元分子生成モデルを用いた新しい分子グラフ生成フレームワークを提案する。 分子グラフを合成コンホメータ座標によりユークリッド点雲にマッピングし,E(n)-等変グラフニューラルネットワーク(EGNN)を用いて逆写像を学習する。 誘導点雲構造潜在空間は既存の3次元分子生成モデルを適用するのに適している。
  論文  参考訳（メタデータ） (2024-06-15T05:29:07Z)
• SubGDiff: A Subgraph Diffusion Model to Improve Molecular Representation Learning [14.338345772161102]
  本稿では,分子サブグラフ情報を拡散に用いた新しい拡散モデルSubGDiffを提案する。 SubGDiffは、サブグラフ予測、期待状態、kステップの同じサブグラフ拡散という3つの重要な技術を採用している。 実験的に、広範囲な下流タスクは、我々のアプローチの優れた性能を示す。
  論文  参考訳（メタデータ） (2024-05-09T10:37:33Z)
• Structure-based drug design by denoising voxel grids [5.9535699822923]
  タンパク質構造を条件とした新しい3次元分子のスコアベース生成モデルであるVoxBindを提案する。 我々のアプローチは分子を3次元原子密度格子として表現し、学習と生成に3次元ボクセル除去ネットワークを活用する。
  論文  参考訳（メタデータ） (2024-05-07T02:48:15Z)
• Geometric-Facilitated Denoising Diffusion Model for 3D Molecule Generation [32.464905769094536]
  既存の拡散に基づくデノボ3次元分子生成法は2つの大きな課題に直面している。 本研究では,グローバル空間関係を完全に抽出し,高品質な表現を学習するためのDual-Track Transformer Network(DTN)を提案する。 第2の課題は、エッジを直接潜伏空間に埋め込むのではなく、トレーニング期間中に結合の形成に介入する幾何学的識別損失(GFLoss)を設計することである。
  論文  参考訳（メタデータ） (2024-01-05T07:29:21Z)
• 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)
• OCD: Learning to Overfit with Conditional Diffusion Models [95.1828574518325]
  入力サンプルxに重みを条件付けした動的モデルを提案する。 基本モデルを x とそのラベル y 上で微調整することで得られる重みに一致することを学習する。
  論文  参考訳（メタデータ） (2022-10-02T09:42:47Z)
• DiGress: Discrete Denoising diffusion for graph generation [79.13904438217592]
  DiGressは、分類ノードとエッジ属性を持つグラフを生成するための離散化拡散モデルである。 分子と非分子のデータセットで最先端のパフォーマンスを実現し、最大3倍の妥当性が向上する。 また、1.3Mの薬物様分子を含む大規模なGuacaMolデータセットにスケールする最初のモデルでもある。
  論文  参考訳（メタデータ） (2022-09-29T12:55:03Z)
• 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)

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。