論文の概要: Mass Spectra Prediction with Structural Motif-based Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2306.16085v1
• Date: Wed, 28 Jun 2023 10:33:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-29 14:47:31.184651
• Title: Mass Spectra Prediction with Structural Motif-based Graph Neural Networks
• Title（参考訳）: 構造モチーフ型グラフニューラルネットワークによる質量スペクトル予測
• Authors: Jiwon Park, Jeonghee Jo, Sungroh Yoon
• Abstract要約: MoMS-Netは、構造モチーフから得られる情報とグラフニューラルネットワーク(GNN)の実装を用いて質量スペクトルを予測するシステムである。 我々は、様々な質量スペクトルでモデルを試験し、既存のモデルよりもその優位性を観察した。
• 参考スコア（独自算出の注目度）: 21.71309513265843
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Mass spectra, which are agglomerations of ionized fragments from targeted molecules, play a crucial role across various fields for the identification of molecular structures. A prevalent analysis method involves spectral library searches,where unknown spectra are cross-referenced with a database. The effectiveness of such search-based approaches, however, is restricted by the scope of the existing mass spectra database, underscoring the need to expand the database via mass spectra prediction. In this research, we propose the Motif-based Mass Spectrum Prediction Network (MoMS-Net), a system that predicts mass spectra using the information derived from structural motifs and the implementation of Graph Neural Networks (GNNs). We have tested our model across diverse mass spectra and have observed its superiority over other existing models. MoMS-Net considers substructure at the graph level, which facilitates the incorporation of long-range dependencies while using less memory compared to the graph transformer model.
• Abstract（参考訳）: ターゲット分子からのイオン化フラグメントの集合体である質量スペクトルは、分子構造の同定において、様々な分野において重要な役割を果たす。 一般的な分析方法は、未知のスペクトルがデータベースと相互参照されるスペクトルライブラリ検索である。 しかし、このような探索に基づく手法の有効性は、既存の質量スペクトルデータベースの範囲によって制限され、質量スペクトル予測によるデータベースの拡張の必要性を強調する。 本研究では、構造モチーフから得られる情報とグラフニューラルネットワーク(GNN)の実装を用いて、質量スペクトルを予測するMotif-based Mass Spectrum Prediction Network (MoMS-Net)を提案する。 我々は、様々な質量スペクトルでモデルを試験し、既存のモデルよりもその優位性を観察した。 MoMS-Netはグラフレベルでのサブ構造を考慮し、グラフトランスフォーマーモデルに比べて少ないメモリを使用しながら、長距離依存の取り込みを容易にする。

関連論文リスト

• GrassNet: State Space Model Meets Graph Neural Network [57.62885438406724]
  Graph State Space Network (GrassNet)は、任意のグラフスペクトルフィルタを設計するためのシンプルで効果的なスキームを提供する理論的なサポートを持つ、新しいグラフニューラルネットワークである。 我々の知る限り、我々の研究はグラフGNNスペクトルフィルタの設計にSSMを使った最初のものである。 9つの公開ベンチマークでの大規模な実験により、GrassNetは現実世界のグラフモデリングタスクにおいて優れたパフォーマンスを達成することが明らかになった。
  論文  参考訳（メタデータ） (2024-08-16T07:33:58Z)
• Spectral Graph Reasoning Network for Hyperspectral Image Classification [0.43512163406551996]
  畳み込みニューラルネットワーク(CNN)は、ハイパースペクトル画像(HSI)分類において顕著な性能を達成した。 本稿では、2つの重要なモジュールからなるスペクトルグラフ推論ネットワーク(SGR)学習フレームワークを提案する。 2つのHSIデータセットの実験により、提案したアーキテクチャが分類精度を大幅に改善できることが示されている。
  論文  参考訳（メタデータ） (2024-07-02T20:29:23Z)
• HoloNets: Spectral Convolutions do extend to Directed Graphs [59.851175771106625]
  従来の知恵は、スペクトル畳み込みネットワークは無向グラフ上にしか展開できないと規定している。 ここでは、このグラフフーリエ変換への伝統的な依存が超フルであることを示す。 本稿では,新たに開発されたフィルタの周波数応答解釈を行い,フィルタ表現に使用するベースの影響を調査し,ネットワークを基盤とする特性演算子との相互作用について議論する。
  論文  参考訳（メタデータ） (2023-10-03T17:42:09Z)
• Specformer: Spectral Graph Neural Networks Meet Transformers [51.644312964537356]
  スペクトルグラフニューラルネットワーク(GNN)は、スペクトル領域グラフ畳み込みを通じてグラフ表現を学習する。 本稿では、全ての固有値の集合を効果的に符号化し、スペクトル領域で自己アテンションを行うSpecformerを紹介する。 複数のSpecformerレイヤを積み重ねることで、強力なスペクトルGNNを構築することができる。
  論文  参考訳（メタデータ） (2023-03-02T07:36:23Z)
• Efficiently predicting high resolution mass spectra with graph neural networks [28.387227518307604]
  質量スペクトルから小さな分子を同定することは、計算メタボロミクスにおける主要な開問題である。 未知のスペクトルは、化学構造の大規模なデータベースから予測されるスペクトルと一致している。 我々は、入力分子グラフから分子式上の確率分布への写像としてスペクトル予測をキャストすることで、このトレードオフを解決する。
  論文  参考訳（メタデータ） (2023-01-26T21:10:26Z)
• Ensemble Spectral Prediction (ESP) Model for Metabolite Annotation [10.640447979978436]
  メタボロミクスの鍵となる課題は、化学的なアイデンティティを持つ生物学的サンプルから測定されたスペクトルを注釈付けすることである。 メタボライトアノテーションのための新しい機械学習モデルEnsemble Spectral Prediction (ESP)を提案する。
  論文  参考訳（メタデータ） (2022-03-25T17:05:41Z)
• Unsupervised Machine Learning for Exploratory Data Analysis of Exoplanet Transmission Spectra [68.8204255655161]
  我々は、通過する太陽系外惑星のスペクトルデータを解析するための教師なし手法に焦点をあてる。 スペクトルデータには、適切な低次元表現を要求する高い相関関係があることが示される。 主成分に基づく興味深い構造、すなわち、異なる化学状態に対応する明確に定義された分岐を明らかにする。
  論文  参考訳（メタデータ） (2022-01-07T22:26:33Z)
• MassFormer: Tandem Mass Spectrum Prediction for Small Molecules using Graph Transformers [3.2951121243459522]
  タンデム質量スペクトルは、分子に関する重要な構造情報を提供する断片化パターンをキャプチャする。 70年以上にわたり、スペクトル予測はこの分野において重要な課題であり続けている。 我々はタンデム質量スペクトルを正確に予測する新しいモデルMassFormerを提案する。
  論文  参考訳（メタデータ） (2021-11-08T20:55:15Z)
• Spectral-Spatial Global Graph Reasoning for Hyperspectral Image Classification [50.899576891296235]
  畳み込みニューラルネットワークは、ハイパースペクトル画像分類に広く応用されている。 近年の手法は空間トポロジのグラフ畳み込みによってこの問題に対処しようとしている。
  論文  参考訳（メタデータ） (2021-06-26T06:24:51Z)
• Multi-View Graph Neural Networks for Molecular Property Prediction [67.54644592806876]
  マルチビューグラフニューラルネットワーク(MV-GNN)を提案する。 MV-GNNでは,学習過程を安定させるために,自己注意型読み出しコンポーネントと不一致損失を導入する。 我々は、相互依存型メッセージパッシング方式を提案することにより、MV-GNNの表現力をさらに強化する。
  論文  参考訳（メタデータ） (2020-05-17T04:46:07Z)
• Persistent spectral based machine learning (PerSpect ML) for drug design [0.0]
  薬物設計のための永続スペクトルベース機械学習(PerSpect ML)モデルを提案する。 我々は、11の永続スペクトル変数を考慮し、タンパク質-リガンド結合親和性予測における機械学習モデルの特徴として利用する。 これらのデータベースに対する私たちの結果は、知る限り、既存のすべてのモデルよりも優れています。
  論文  参考訳（メタデータ） (2020-02-03T07:14:21Z)

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。