論文の概要: Predicting Drug Solubility Using Different Machine Learning Methods -- Linear Regression Model with Extracted Chemical Features vs Graph Convolutional Neural Network

• arxiv url: http://arxiv.org/abs/2308.12325v1
• Date: Wed, 23 Aug 2023 15:35:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-25 16:46:21.084576
• Title: Predicting Drug Solubility Using Different Machine Learning Methods -- Linear Regression Model with Extracted Chemical Features vs Graph Convolutional Neural Network
• Title（参考訳）: 異なる機械学習手法による薬物溶解度予測 -抽出化学特性とグラフ畳み込みニューラルネットワークを用いた回帰モデル-
• Authors: John Ho, Zhao-Heng Yin, Colin Zhang, Henry Overhauser, Kyle Swanson, Yang Ha
• Abstract要約: 化学構造が化学特性にどのように影響するかを知ることは、新薬の設計において重要である。 今後の研究は、GCNNの高性能性と線形回帰の解釈可能性を組み合わせることを目的としている。
• 参考スコア（独自算出の注目度）: 2.883578416080909
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predicting the solubility of given molecules is an important task in the pharmaceutical industry, and consequently this is a well-studied topic. In this research, we revisited this problem with the advantage of modern computing resources. We applied two machine learning models, a linear regression model and a graph convolutional neural network model, on multiple experimental datasets. Both methods can make reasonable predictions while the GCNN model had the best performance. However, the current GCNN model is a black box, while feature importance analysis from the linear regression model offers more insights into the underlying chemical influences. Using the linear regression model, we show how each functional group affects the overall solubility. Ultimately, knowing how chemical structure influences chemical properties is crucial when designing new drugs. Future work should aim to combine the high performance of GCNNs with the interpretability of linear regression, unlocking new advances in next generation high throughput screening.
• Abstract（参考訳）: 与えられた分子の溶解度を予測することは製薬業界において重要な課題であり、これはよく研究された話題である。 本研究では,現代コンピューティング資源の利点を生かして,この問題を再考する。 複数の実験データセットに線形回帰モデルとグラフ畳み込みニューラルネットワークモデルという2つの機械学習モデルを適用した。 どちらの手法も合理的な予測が可能で、GCNNモデルは最高のパフォーマンスを持っていた。 しかし、現在のGCNNモデルはブラックボックスであり、線形回帰モデルの特徴的重要性分析は、基礎となる化学的影響についてより深い洞察を与える。 線形回帰モデルを用いて,各官能基が全体の溶解度にどのように影響するかを示す。 究極的には、化学構造が化学特性にどのように影響するかを知ることは、新薬の設計において重要である。 今後の取り組みは、gcnnの高性能と線形回帰の解釈可能性を組み合わせた次世代の高スループットスクリーニングにおける新たな進歩の実現を目標とすべきである。

関連論文リスト

• YZS-model: A Predictive Model for Organic Drug Solubility Based on Graph Convolutional Networks and Transformer-Attention [9.018408514318631]
  伝統的な手法は複雑な分子構造を見逃し、不正確な結果をもたらすことが多い。 本稿では,グラフ畳み込みネットワーク(GCN),トランスフォーマーアーキテクチャ,Long Short-Term Memory(LSTM)ネットワークを統合するディープラーニングフレームワークであるYZS-Modelを紹介する。 YZS-Modelは、R2$ 0.59、RMSE$ 0.57を達成し、ベンチマークモデルを上回った。
  論文  参考訳（メタデータ） (2024-06-27T12:40:29Z)
• 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)
• 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)
• 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)
• Rxn Hypergraph: a Hypergraph Attention Model for Chemical Reaction Representation [70.97737157902947]
  現在、化学反応を強固に表現するための普遍的で広く採用されている方法は存在しない。 ここでは、グラフに基づく分子構造の表現を利用して、ハイパーグラフアテンションニューラルネットワークアプローチを開発し、テストする。 我々はこのハイパーグラフ表現を3つの独立な化学反応データセットを用いて3つの実験で評価した。
  論文  参考訳（メタデータ） (2022-01-02T12:33:10Z)
• Size doesn't matter: predicting physico- or biochemical properties based on dozens of molecules [0.0]
  本論文は,データ不足を伴う対象特性のモデルの性能を著しく改善したことを示す。 また,データセット構成がモデル品質および結果モデルの適用性領域に及ぼす影響についても検討した。
  論文  参考訳（メタデータ） (2021-07-22T18:57:24Z)
• Machine Learning Implicit Solvation for Molecular Dynamics [0.0]
  平均力の暗黙の溶媒ポテンシャルをモデル化するために,グラフニューラルネットワークであるボルネットを導入した。 この手法の成功は、溶媒効果の正確なモデリングに機械学習手法を適用することの潜在的利点を示すものである。
  論文  参考訳（メタデータ） (2021-06-14T15:21:45Z)
• Predicting Aqueous Solubility of Organic Molecules Using Deep Learning Models with Varied Molecular Representations [3.10678679607547]
  本研究の目的は、幅広い有機分子の溶解度を予測できる一般モデルを開発することである。 現在利用可能な最大の溶解度データセットを用いて、分子構造から溶解度を予測するディープラーニングモデルを構築した。 分子ディスクリプタを用いたモデルでは,GNNモデルでも優れた性能が得られた。
  論文  参考訳（メタデータ） (2021-05-26T15:54:54Z)
• Accurate Prediction of Free Solvation Energy of Organic Molecules via Graph Attention Network and Message Passing Neural Network from Pairwise Atomistic Interactions [14.87390785780636]
  本稿では,グラフニューラルネットワーク(gnn)アーキテクチャに基づく自由解法エネルギー予測問題に対する2つの新しいモデルを提案する。 gnnは分子の予測情報をグラフ構造から直接低次元の特徴として要約することができる。 提案手法は, 解解自由エネルギー予測のタスクにおいて, 既存の機械学習手法に加えて, 量子力学および分子動力学の手法を上回っていることを示す。
  論文  参考訳（メタデータ） (2021-04-15T22:15:18Z)
• Graph Neural Networks for the Prediction of Substrate-Specific Organic Reaction Conditions [79.45090959869124]
  有機化学反応をモデル化するために,グラフニューラルネットワーク(GNN)を用いた系統的研究を行った。 実験試薬と条件の識別に関わる分類タスクに対して、7つの異なるGNNアーキテクチャを評価した。
  論文  参考訳（メタデータ） (2020-07-08T17:21:00Z)
• ASGN: An Active Semi-supervised Graph Neural Network for Molecular Property Prediction [61.33144688400446]
  本稿では,ラベル付き分子とラベルなし分子の両方を組み込んだ,アクティブ半教師付きグラフニューラルネットワーク(ASGN)を提案する。 教師モデルでは,分子構造や分子分布から情報を共同で活用する汎用表現を学習するための,新しい半教師付き学習手法を提案する。 最後に,分子多様性の観点から,フレームワーク学習全体を通して情報的データを選択するための新しい能動的学習戦略を提案する。
  論文  参考訳（メタデータ） (2020-07-07T04:22:39Z)

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。