論文の概要: Molecule Design by Latent Space Energy-Based Modeling and Gradual
Distribution Shifting
- arxiv url: http://arxiv.org/abs/2306.14902v1
- Date: Fri, 9 Jun 2023 03:04:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-02 13:37:19.507585
- Title: Molecule Design by Latent Space Energy-Based Modeling and Gradual
Distribution Shifting
- Title(参考訳): 遅延宇宙エネルギーに基づくモデリングと粒度分布シフトによる分子設計
- Authors: Deqian Kong, Bo Pang, Tian Han and Ying Nian Wu
- Abstract要約: 化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。
本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。
本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
- 参考スコア(独自算出の注目度): 53.44684898432997
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Generation of molecules with desired chemical and biological properties such
as high drug-likeness, high binding affinity to target proteins, is critical
for drug discovery. In this paper, we propose a probabilistic generative model
to capture the joint distribution of molecules and their properties. Our model
assumes an energy-based model (EBM) in the latent space. Conditional on the
latent vector, the molecule and its properties are modeled by a molecule
generation model and a property regression model respectively. To search for
molecules with desired properties, we propose a sampling with gradual
distribution shifting (SGDS) algorithm, so that after learning the model
initially on the training data of existing molecules and their properties, the
proposed algorithm gradually shifts the model distribution towards the region
supported by molecules with desired values of properties. Our experiments show
that our method achieves very strong performances on various molecule design
tasks.
- Abstract(参考訳): 高い薬物類似性、標的タンパク質に対する高い結合親和性など、所望の化学的および生物学的性質を持つ分子の生成は、創薬に不可欠である。
本稿では,分子の結合分布とその特性を捉える確率論的生成モデルを提案する。
我々のモデルは、潜在空間におけるエネルギーベースモデル(EBM)を仮定する。
潜在ベクター上の条件付きでは、分子とその性質は、それぞれ分子生成モデルと特性回帰モデルによってモデル化される。
所望の特性を持つ分子を探索するために,SGDSアルゴリズムを用いたサンプリングを提案し,既存の分子のトレーニングデータとその特性に基づいてモデルを学習した後,提案アルゴリズムは,所望の特性を持つ分子が支持する領域に向けてモデルを徐々にシフトさせる。
実験により, 種々の分子設計タスクにおいて非常に強力な性能が得られることを示した。
関連論文リスト
- Field-based Molecule Generation [50.124402120798365]
本稿では,本手法の柔軟性が,一般的なポイントクラウド方式よりも重要な利点をもたらすことを示す。
我々は、薬物の安全性と有効性に欠落した分子特性である光学異性体(エナンチオマー)に取り組む。
論文 参考訳(メタデータ) (2024-02-24T17:13:58Z) - Diffusing on Two Levels and Optimizing for Multiple Properties: A Novel
Approach to Generating Molecules with Desirable Properties [33.2976176283611]
本稿では,分子を望ましい性質で生成する新しい手法を提案する。
望ましい分子断片を得るため,我々は新しい電子効果に基づくフラグメンテーション法を開発した。
提案手法により生成する分子は, 従来のSOTAモデルより有効, 特異性, 新規性, Fr'echet ChemNet Distance (FCD), QED, PlogP を有することを示す。
論文 参考訳(メタデータ) (2023-10-05T11:43:21Z) - Molecule Design by Latent Prompt Transformer [61.68502207071992]
本稿では,分子設計などの最適化課題を解決するために,潜時変圧器モデルを提案する。
目的は、既存のソフトウェアで計算可能な、標的となる化学的または生物学的性質の最適な値を持つ分子を見つけることである。
論文 参考訳(メタデータ) (2023-10-05T02:09:51Z) - 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) - Interpretable Molecular Graph Generation via Monotonic Constraints [19.401468196146336]
ディープグラフ生成モデルは、分子設計をグラフ生成問題として扱う。
既存のモデルには多くの欠点があり、解釈性や所望の分子特性に対する制御性が低い。
本稿では,分子生成の解釈可能なモデルと深層制御可能なモデルを用いた新しい手法を提案する。
論文 参考訳(メタデータ) (2022-02-28T08:35:56Z) - Property-aware Adaptive Relation Networks for Molecular Property
Prediction [34.13439007658925]
分子特性予測問題に対する特性認識適応関係ネットワーク(PAR)を提案する。
我々のPARは、既存のグラフベースの分子エンコーダと互換性があり、プロパティ対応分子埋め込みとモデル分子関係グラフを得る能力も備えている。
論文 参考訳(メタデータ) (2021-07-16T16:22:30Z) - Augmenting Molecular Deep Generative Models with Topological Data
Analysis Representations [21.237758981760784]
分子のトポロジカルデータ解析(TDA)表現を付加したSMILES変分自動エンコーダ(VAE)を提案する。
実験の結果, このTDA拡張により, SMILES VAEは3次元幾何学と電子特性の複雑な関係を捉えることができることがわかった。
論文 参考訳(メタデータ) (2021-06-08T15:49:21Z) - Learning Neural Generative Dynamics for Molecular Conformation
Generation [89.03173504444415]
分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。
分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
論文 参考訳(メタデータ) (2021-02-20T03:17:58Z) - Learning Latent Space Energy-Based Prior Model for Molecule Generation [59.875533935578375]
分子モデリングのためのSMILES表現を用いた潜時空間エネルギーに基づく先行モデルについて学習する。
本手法は,最先端モデルと競合する妥当性と特異性を持つ分子を生成することができる。
論文 参考訳(メタデータ) (2020-10-19T09:34:20Z) - Physics-Constrained Predictive Molecular Latent Space Discovery with
Graph Scattering Variational Autoencoder [0.0]
我々は小データ構造における変分推論とグラフ理論に基づく分子生成モデルを開発する。
モデルの性能は、所望の目的特性を持つ分子を生成することによって評価される。
論文 参考訳(メタデータ) (2020-09-29T09:05:27Z)
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。