論文の概要: Molecular geometric deep learning

• arxiv url: http://arxiv.org/abs/2306.15065v1
• Date: Thu, 22 Jun 2023 14:25:08 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-02 13:14:30.072874
• Title: Molecular geometric deep learning
• Title（参考訳）: 分子幾何学的深層学習
• Authors: Cong Shen, Jiawei Luo, and Kelin Xia
• Abstract要約: 共有結合型分子グラフは、原子レベルでの分子トポロジーを表すデファクト標準である。 ここでは、非共有結合のみから構築された分子グラフが、同様の、あるいはさらに良い結果が得られることを初めて証明する。 本稿では,より一般的な分子表現をGDLモデルに組み込むため,分子幾何学的深層学習(Mol-GDL)を提案する。
• 参考スコア（独自算出の注目度）: 19.477136274285023
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Geometric deep learning (GDL) has demonstrated huge power and enormous potential in molecular data analysis. However, a great challenge still remains for highly efficient molecular representations. Currently, covalent-bond-based molecular graphs are the de facto standard for representing molecular topology at the atomic level. Here we demonstrate, for the first time, that molecular graphs constructed only from non-covalent bonds can achieve similar or even better results than covalent-bond-based models in molecular property prediction. This demonstrates the great potential of novel molecular representations beyond the de facto standard of covalent-bond-based molecular graphs. Based on the finding, we propose molecular geometric deep learning (Mol-GDL). The essential idea is to incorporate a more general molecular representation into GDL models. In our Mol-GDL, molecular topology is modeled as a series of molecular graphs, each focusing on a different scale of atomic interactions. In this way, both covalent interactions and non-covalent interactions are incorporated into the molecular representation on an equal footing. We systematically test Mol-GDL on fourteen commonly-used benchmark datasets. The results show that our Mol-GDL can achieve a better performance than state-of-the-art (SOTA) methods. Source code and data are available at https://github.com/CS-BIO/Mol-GDL.
• Abstract（参考訳）: 幾何学的深層学習(GDL)は、分子データ解析において大きな力と大きなポテンシャルを示している。 しかし、高効率な分子表現には依然として大きな課題が残っている。 現在、共有結合型分子グラフは原子レベルで分子トポロジーを表現するためのデファクトスタンダードである。 ここでは,非共有結合のみから構築した分子グラフが,分子特性予測における共有結合モデルと同等あるいはそれ以上の結果が得られることを初めて示す。 これは、共有結合型分子グラフのデファクト標準を超える新しい分子表現の可能性を示す。 そこで本研究では分子幾何学的深層学習(Mol-GDL)を提案する。 基本的な考え方は、より一般的な分子表現をGDLモデルに組み込むことである。 我々のモル-GDLでは、分子トポロジーは一連の分子グラフとしてモデル化され、それぞれ異なるスケールの原子間相互作用に焦点を当てている。 このように、共有結合相互作用と非共有結合相互作用の両方が等しい足場上の分子表現に組み込まれる。 我々は14のベンチマークデータセットでmol-gdlを体系的にテストした。 その結果,Mol-GDLは最先端(SOTA)法よりも優れた性能が得られることがわかった。 ソースコードとデータはhttps://github.com/CS-BIO/Mol-GDLで入手できる。

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)
• Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [55.42602325017405]
  本稿では,分子の2レベル構造を考慮した新しいGODE法を提案する。 異なるグラフ構造上で2つのグラフニューラルネットワーク(GNN)を事前訓練し、対照的な学習と組み合わせることで、GODEは分子構造を対応する知識グラフサブ構造と融合させる。 11の化学特性タスクを微調整した場合、我々のモデルは既存のベンチマークよりも優れており、分類タスクの平均ROC-AUCアップリフトは13.8%、回帰タスクの平均RMSE/MAEエンハンスメントは35.1%である。
  論文  参考訳（メタデータ） (2023-06-02T15:49:45Z)
• MAGNet: Motif-Agnostic Generation of Molecules from Shapes [16.188301768974]
  MAGNetは、原子と結合の型を割り当てる前に抽象的な形状を生成するグラフベースのモデルである。 MAGNetの表現性の向上は、よりトポロジカルな構造を持つ分子に繋がることを示した。
  論文  参考訳（メタデータ） (2023-05-30T15:29:34Z)
• 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)
• 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)
• A Molecular Multimodal Foundation Model Associating Molecule Graphs with Natural Language [63.60376252491507]
  本稿では,分子グラフとその意味的関連テキストデータから事前学習した分子マルチモーダル基礎モデルを提案する。 我々のモデルは、生物学、化学、材料、環境、医学などの分野において、AIを動力とする分野に幅広い影響を与えるだろうと考えています。
  論文  参考訳（メタデータ） (2022-09-12T00:56:57Z)
• MolGraph: a Python package for the implementation of molecular graphs and graph neural networks with TensorFlow and Keras [51.92255321684027]
  MolGraphは、分子機械学習(ML)のためのグラフニューラルネットワーク(GNN)パッケージである MolGraphは、分子ML問題を解決するためにGNNアルゴリズムに渡すことができる小さな分子グラフを生成するための化学モジュールを実装している。 GNNは分子識別に有用であり,クロマトグラフィー保持時間データの解釈性が向上した。
  論文  参考訳（メタデータ） (2022-08-21T18:37:41Z)
• MolNet: A Chemically Intuitive Graph Neural Network for Prediction of Molecular Properties [1.231476564107544]
  グラフニューラルネットワーク(GNN)は、化学領域における強力なディープラーニングツールである。 MolNetモデルは化学的に直感的であり、分子内の3D非結合情報を調節する。 MolNetは、BACEデータセットの分類タスクとESOLデータセットの回帰タスクで最先端のパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2022-02-01T20:47:28Z)
• MolCLR: Molecular Contrastive Learning of Representations via Graph Neural Networks [11.994553575596228]
  MolCLRは、大規模なラベルなしの分子データセットのための自己監視学習フレームワークです。 原子マスキング、結合除去、サブグラフ除去の3つの新しい分子グラフ増強法を提案する。 提案手法は,多くの挑戦的データセットに対して最先端の性能を実現する。
  論文  参考訳（メタデータ） (2021-02-19T17:35:18Z)
• 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。