論文の概要: Learning Universal and Robust 3D Molecular Representations with Graph Convolutional Networks

• arxiv url: http://arxiv.org/abs/2307.12491v1
• Date: Mon, 24 Jul 2023 02:50:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-25 15:50:35.228534
• Title: Learning Universal and Robust 3D Molecular Representations with Graph Convolutional Networks
• Title（参考訳）: グラフ畳み込みネットワークを用いた普遍性とロバストな3次元分子表現の学習
• Authors: Shuo Zhang, Yang Liu, Li Xie, Lei Xie
• Abstract要約: 本稿では,3次元分子のグラフ表現に基づく汎用かつ堅牢な指向性ノードペア(DNP)記述法を提案する。 我々のDNP記述子は、以前のものと比べて頑丈であり、複数の分子タイプに適用できる。 本稿では,ロバスト分子グラフ畳み込みネットワーク(RoM-GCN)を構築し,ノードとエッジの両方の特徴を考慮に入れた。
• 参考スコア（独自算出の注目度）: 19.647002925751774
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To learn accurate representations of molecules, it is essential to consider both chemical and geometric features. To encode geometric information, many descriptors have been proposed in constrained circumstances for specific types of molecules and do not have the properties to be ``robust": 1. Invariant to rotations and translations; 2. Injective when embedding molecular structures. In this work, we propose a universal and robust Directional Node Pair (DNP) descriptor based on the graph representations of 3D molecules. Our DNP descriptor is robust compared to previous ones and can be applied to multiple molecular types. To combine the DNP descriptor and chemical features in molecules, we construct the Robust Molecular Graph Convolutional Network (RoM-GCN) which is capable to take both node and edge features into consideration when generating molecule representations. We evaluate our model on protein and small molecule datasets. Our results validate the superiority of the DNP descriptor in incorporating 3D geometric information of molecules. RoM-GCN outperforms all compared baselines.
• Abstract（参考訳）: 分子の正確な表現を学ぶためには、化学的特徴と幾何学的特徴の両方を考えることが不可欠である。 幾何学的情報をエンコードするために、特定の種類の分子の制約された状況下で多くの記述子が提案され、「ロバスト」となる性質を持たない。 1. 回転及び翻訳の不変性 2. 分子構造を埋め込む際の注入性。 本研究では,3次元分子のグラフ表現に基づく汎用かつ堅牢な指向性ノードペア(DNP)記述法を提案する。 我々のDNP記述子は以前のものに比べて頑丈であり、複数の分子タイプに適用できる。 分子のDNP記述子と化学的特徴を組み合わせるために,分子表現を生成する際,ノードとエッジの両方の特徴を考慮に入れたRoM-GCN(Roust Molecular Graph Convolutional Network)を構築した。 タンパク質および小分子データセットのモデルを評価する。 分子の3次元幾何情報を組み込む際にDNP記述子の優位性を検証した。 RoM-GCNは、比較されたベースラインすべてより優れています。

関連論文リスト

• UniIF: Unified Molecule Inverse Folding [67.60267592514381]
  全分子の逆折り畳みのための統一モデルUniIFを提案する。 提案手法は,全タスクにおける最先端手法を超越した手法である。
  論文  参考訳（メタデータ） (2024-05-29T10:26:16Z)
• 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)
• 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)
• An Equivariant Generative Framework for Molecular Graph-Structure Co-Design [54.92529253182004]
  分子グラフ構造アンダーラインCo設計のための機械学習ベースの生成フレームワークであるMollCodeを提案する。 MolCodeでは、3D幾何情報によって分子2Dグラフの生成が促進され、それによって分子3D構造の予測が導かれる。 分子設計における2次元トポロジーと3次元幾何は本質的に相補的な情報を含んでいることが明らかとなった。
  論文  参考訳（メタデータ） (2023-04-12T13:34:22Z)
• Graph-based Molecular Representation Learning [59.06193431883431]
  分子表現学習(MRL)は、機械学習と化学科学を結びつけるための重要なステップである。 近年、MRLは、特に深層分子グラフ学習に基づく手法において、かなりの進歩を遂げている。
  論文  参考訳（メタデータ） (2022-07-08T17:43:20Z)
• 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)
• Scalable Fragment-Based 3D Molecular Design with Reinforcement Learning [68.8204255655161]
  分子構築に階層的エージェントを用いるスケーラブルな3D設計のための新しいフレームワークを提案する。 様々な実験において、エネルギーのみを考慮に入れたエージェントが、100以上の原子を持つ分子を効率よく生成できることが示されている。
  論文  参考訳（メタデータ） (2022-02-01T18:54:24Z)
• 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)
• Investigating 3D Atomic Environments for Enhanced QSAR [0.0]
  分子の生物活性と物理的性質を予測することは、薬物設計における長年の課題である。 ほとんどのアプローチでは、分子の2次元表現に基づく分子記述子を原子と結合のグラフとして使用し、分子の形状を抽象化する。 Smooth Overlap of Atomic Positions (SOAP) を用いた新しいアライメントフリー3次元QSAR法について述べる。
  論文  参考訳（メタデータ） (2020-10-24T10:04:48Z)
• Heterogeneous Molecular Graph Neural Networks for Predicting Molecule Properties [12.897488702184306]
  分子の新規なグラフ表現であるヘテロジニアス分子グラフ(HMG)を導入する。 HMGNNは、グローバル分子表現とアテンション機構を予測プロセスに組み込んでいる。 我々のモデルは、QM9データセット上の12タスクのうち9タスクで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-09-26T23:29:41Z)

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。