論文の概要: Curvature-based Transformer for Molecular Property Prediction
- arxiv url: http://arxiv.org/abs/2307.13275v1
- Date: Tue, 25 Jul 2023 06:13:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-26 18:16:19.279034
- Title: Curvature-based Transformer for Molecular Property Prediction
- Title（参考訳）: 分子特性予測のための曲率変換器
- Authors: Yili Chen, Zhengyu Li, Zheng Wan, Hui Yu, Xian Wei
- Abstract要約: 分子グラフデータから構造情報を抽出するグラフニューラルネットワークモデルの改良を目的とした曲率変換器を提案する。
我々はPCQM4M-LST, MoleculeNetなどの化学分子データセットの実験を行い、Uni-Mol, Graphormerなどのモデルと比較した。
- 参考スコア（独自算出の注目度）: 6.396863112541695
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The prediction of molecular properties is one of the most important and
challenging tasks in the field of artificial intelligence-based drug design.
Among the current mainstream methods, the most commonly used feature
representation for training DNN models is based on SMILES and molecular graphs,
although these methods are concise and effective, they also limit the ability
to capture spatial information. In this work, we propose Curvature-based
Transformer to improve the ability of Graph Transformer neural network models
to extract structural information on molecular graph data by introducing
Discretization of Ricci Curvature. To embed the curvature in the model, we add
the curvature information of the graph as positional Encoding to the node
features during the attention-score calculation. This method can introduce
curvature information from graph data without changing the original network
architecture, and it has the potential to be extended to other models. We
performed experiments on chemical molecular datasets including PCQM4M-LST,
MoleculeNet and compared with models such as Uni-Mol, Graphormer, and the
results show that this method can achieve the state-of-the-art results. It is
proved that the discretized Ricci curvature also reflects the structural and
functional relationship while describing the local geometry of the graph
molecular data.
- Abstract（参考訳）: 分子特性の予測は、人工知能に基づく薬物設計の分野で最も重要な課題の1つである。
現在の主流手法の中で、DNNモデルのトレーニングに最もよく使われている特徴表現はSMILESと分子グラフに基づいているが、これらの手法は簡潔で効果的であるが、空間情報をキャプチャする能力も制限している。
本研究では,リッチ曲率の離散化を導入することにより,グラフトランスフォーマモデルによる分子グラフデータの構造情報抽出能力を向上させるために,曲率に基づくトランスフォーマを提案する。
モデルに曲率を埋め込むため,注目スコア計算中のノード特徴に対して,グラフの曲率情報を位置符号化として付加する。
本手法は,元のネットワークアーキテクチャを変更することなく,グラフデータからの曲率情報を導入し,他のモデルに拡張する可能性がある。
本研究では, pcqm4m-lst, molecularnetなどの化学分子データセットを実験し, uni-mol, graphormerなどのモデルと比較し, この手法が最先端の結果が得られることを示した。
離散化リッチ曲率もまた、グラフ分子データの局所幾何学を記述しながら構造的および機能的関係を反映していることが証明された。
関連論文リスト
- Molecular Graph Representation Learning via Structural Similarity Information [11.38130169319915]
我々は新しい分子グラフ表現学習法である textbf Structure similarity Motif GNN (MSSM-GNN) を紹介する。
特に,分子間の類似性を定量的に表現するために,グラフカーネルアルゴリズムを利用した特殊設計グラフを提案する。
我々はGNNを用いて分子グラフから特徴表現を学習し、追加の分子表現情報を組み込むことで特性予測の精度を高めることを目的としている。
論文 参考訳（メタデータ） (2024-09-13T06:59:10Z) - Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular
Property Prediction [53.06671763877109]
我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。
我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。
複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
論文 参考訳（メタデータ） (2023-02-04T01:32:40Z) - MolCPT: Molecule Continuous Prompt Tuning to Generalize Molecular
Representation Learning [77.31492888819935]
分子表現学習のための「プリトレイン,プロンプト,ファインチューン」という新しいパラダイム,分子連続プロンプトチューニング(MolCPT)を提案する。
MolCPTは、事前訓練されたモデルを使用して、スタンドアロンの入力を表現的なプロンプトに投影するモチーフプロンプト関数を定義する。
いくつかのベンチマークデータセットの実験により、MollCPTは分子特性予測のために学習済みのGNNを効率的に一般化することが示された。
論文 参考訳（メタデータ） (2022-12-20T19:32:30Z) - Extreme Acceleration of Graph Neural Network-based Prediction Models for
Quantum Chemistry [7.592530794455257]
本稿では,分子特性予測のためのグラフニューラルネットワークのトレーニングをスケールアップするための,ハードウェアとソフトウェアの共同設計手法を提案する。
本稿では,分子グラフのバッチを固定サイズパックに結合して冗長計算やメモリを不要にするアルゴリズムを提案する。
このような共同設計手法により、分子特性予測モデルのトレーニング時間を数日から2時間未満に短縮できることを示す。
論文 参考訳（メタデータ） (2022-11-25T01:30:18Z) - HiGNN: Hierarchical Informative Graph Neural Networks for Molecular
Property Prediction Equipped with Feature-Wise Attention [5.735627221409312]
分子特性を予測するための階層型情報グラフニューラルネットワークフレームワーク(HiGNN)を提案する。
実験により、HiGNNは、多くの挑戦的な薬物発見関連ベンチマークデータセットに対して最先端の予測性能を達成することが示された。
論文 参考訳（メタデータ） (2022-08-30T05:16:15Z) - Graph neural networks for the prediction of molecular structure-property
relationships [59.11160990637615]
グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。
GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。
本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
論文 参考訳（メタデータ） (2022-07-25T11:30:44Z) - Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。
既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。
本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
論文 参考訳（メタデータ） (2022-07-06T10:01:46Z) - Equivariant Graph Attention Networks for Molecular Property Prediction [0.34376560669160383]
大きさの異なる3D分子構造について学ぶことは、機械学習、特に薬物発見における新たな課題である。
本稿では,カルテシアン座標を用いた等変グラフニューラルネットワーク(GNN)を提案する。
小分子の量子力学的性質の予測におけるアーキテクチャの有効性を実証し,タンパク質複合体などの高分子構造に関する問題に対するその利点を示す。
論文 参考訳（メタデータ） (2022-02-20T19:07:29Z) - Molecular Graph Generation via Geometric Scattering [7.796917261490019]
グラフニューラルネットワーク(GNN)は、薬物の設計と発見の問題を解決するために広く使われている。
分子グラフ生成における表現第一のアプローチを提案する。
我々のアーキテクチャは、医薬品のデータセットの有意義な表現を学習し、目標指向の薬物合成のためのプラットフォームを提供する。
論文 参考訳（メタデータ） (2021-10-12T18:00:23Z) - Distance-aware Molecule Graph Attention Network for Drug-Target Binding
Affinity Prediction [54.93890176891602]
薬物標的結合親和性予測に適したDiStance-aware Molecule graph Attention Network (S-MAN)を提案する。
そこで,我々はまず,構築したポケットリガンドグラフに位相構造と空間位置情報を統合する位置符号化機構を提案する。
また,エッジレベルアグリゲーションとノードレベルアグリゲーションを有するエッジノード階層的アグリゲーション構造を提案する。
論文 参考訳（メタデータ） (2020-12-17T17:44:01Z) - 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。