論文の概要: Node-Aligned Graph-to-Graph Generation for Retrosynthesis Prediction
- arxiv url: http://arxiv.org/abs/2309.15798v1
- Date: Wed, 27 Sep 2023 17:16:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-28 12:45:24.327706
- Title: Node-Aligned Graph-to-Graph Generation for Retrosynthesis Prediction
- Title(参考訳): 再合成予測のためのノード対応グラフ-グラフ生成
- Authors: Lin Yao, Zhen Wang, Wentao Guo, Shang Xiang, Wentan Liu, Guolin Ke
- Abstract要約: 単段階のレトロ合成は有機化学や医薬品設計において重要な課題であり、特定の化合物を合成するのに必要な反応物質を同定する必要がある。
既存のテンプレートのない機械学習ベースのモデルは、典型的にはトランスフォーマー構造を使用し、分子をIDシーケンスとして表現する。
提案手法であるノードアラインドグラフ (NAG2G) もトランスフォーマーベースのテンプレートフリーモデルとして機能するが、2次元分子グラフと3次元情報を利用する。
- 参考スコア(独自算出の注目度): 13.471174622937943
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Single-step retrosynthesis is a crucial task in organic chemistry and drug
design, requiring the identification of required reactants to synthesize a
specific compound. with the advent of computer-aided synthesis planning, there
is growing interest in using machine-learning techniques to facilitate the
process. Existing template-free machine learning-based models typically utilize
transformer structures and represent molecules as ID sequences. However, these
methods often face challenges in fully leveraging the extensive topological
information of the molecule and aligning atoms between the production and
reactants, leading to results that are not as competitive as those of
semi-template models. Our proposed method, Node-Aligned Graph-to-Graph (NAG2G),
also serves as a transformer-based template-free model but utilizes 2D
molecular graphs and 3D conformation information. Furthermore, our approach
simplifies the incorporation of production-reactant atom mapping alignment by
leveraging node alignment to determine a specific order for node generation and
generating molecular graphs in an auto-regressive manner node-by-node. This
method ensures that the node generation order coincides with the node order in
the input graph, overcoming the difficulty of determining a specific node
generation order in an auto-regressive manner. Our extensive benchmarking
results demonstrate that the proposed NAG2G can outperform the previous
state-of-the-art baselines in various metrics.
- Abstract(参考訳): 単段階のレトロシンセシスは有機化学と薬物設計において重要な課題であり、特定の化合物を合成するのに必要な反応物質を特定する必要がある。
コンピュータ支援合成計画の出現に伴い、プロセスの促進に機械学習技術を使うことへの関心が高まっている。
既存のテンプレートのない機械学習ベースのモデルは、典型的にはトランスフォーマー構造を使用し、分子をIDシーケンスとして表現する。
しかし、これらの方法はしばしば分子の広範なトポロジー情報を完全に活用し、生成物と反応物の間の原子を整合させることで問題に直面し、半テンプレートモデルほど競争力のない結果に繋がる。
提案手法であるノードアラインドグラフ (NAG2G) はトランスフォーマーベースのテンプレートフリーモデルとしても機能するが、2次元分子グラフと3次元コンフォーメーション情報を利用する。
さらに, ノードアライメントを利用して, 自己回帰的なノード・バイ・ノードにおける分子グラフの生成と生成の順序を決定することにより, 生産・反応性原子マッピングアライメントの導入を単純化する。
この方法は、ノード生成順序が入力グラフのノード順序と一致することを保証し、特定のノード生成順序を自動回帰的に決定する難しさを克服する。
提案したNAG2Gは,様々な指標において従来の最先端のベースラインより優れていることを示す。
関連論文リスト
- Overcoming Order in Autoregressive Graph Generation [12.351817671944515]
グラフ生成は、化学やソーシャルネットワークなど、さまざまな領域における基本的な問題である。
近年の研究では、リカレントニューラルネットワーク(RNN)を用いた分子グラフ生成が、従来の生成手法と比較して有利であることが示されている。
論文 参考訳(メタデータ) (2024-02-04T09:58:22Z) - Seq-HGNN: Learning Sequential Node Representation on Heterogeneous Graph [57.2953563124339]
本稿では,シーケンシャルノード表現,すなわちSeq-HGNNを用いた新しい異種グラフニューラルネットワークを提案する。
Heterogeneous Graph Benchmark (HGB) と Open Graph Benchmark (OGB) の4つの広く使われているデータセットについて広範な実験を行った。
論文 参考訳(メタデータ) (2023-05-18T07:27:18Z) - Graph Generation with Diffusion Mixture [64.94970275833258]
グラフの生成は、非ユークリッド構造の複雑な性質を理解する必要がある実世界のタスクにとって大きな課題である。
本稿では,拡散過程の最終グラフ構造を明示的に学習することにより,グラフのトポロジーをモデル化する生成フレームワークを提案する。
論文 参考訳(メタデータ) (2023-02-07T17:07:46Z) - GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。
提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。
第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
論文 参考訳(メタデータ) (2022-12-01T11:49:07Z) - Score-based Generative Modeling of Graphs via the System of Stochastic
Differential Equations [57.15855198512551]
本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。
本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
論文 参考訳(メタデータ) (2022-02-05T08:21:04Z) - 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) - Explicit Pairwise Factorized Graph Neural Network for Semi-Supervised
Node Classification [59.06717774425588]
本稿では,グラフ全体を部分的に観測されたマルコフ確率場としてモデル化するEPFGNN(Explicit Pairwise Factorized Graph Neural Network)を提案する。
出力-出力関係をモデル化するための明示的なペアワイズ要素を含み、入力-出力関係をモデル化するためにGNNバックボーンを使用する。
本研究では,グラフ上での半教師付きノード分類の性能を効果的に向上できることを示す。
論文 参考訳(メタデータ) (2021-07-27T19:47:53Z) - GraphPiece: Efficiently Generating High-Quality Molecular Graph with
Substructures [7.021635649909492]
分子グラフからエムグラフと呼ばれる共通部分構造を自動的に発見する手法を提案する。
グラフの断片に基づいて,変分オートエンコーダを用いて2つの相の分子を生成する。
論文 参考訳(メタデータ) (2021-06-29T05:26:18Z) - A Graph VAE and Graph Transformer Approach to Generating Molecular
Graphs [1.6631602844999724]
グラフ畳み込み層とグラフプーリング層をフル活用した変分オートエンコーダとトランスベースモデルを提案する。
トランスモデルは新しいノードエンコーディング層を実装し、一般的にトランスフォーマーで使用される位置エンコーディングを置き換え、グラフ上で動く位置情報を持たないトランスフォーマーを生成する。
実験では、生成ノードとエッジの両方の重要性を考慮して、分子生成のベンチマークタスクを選択しました。
論文 参考訳(メタデータ) (2021-04-09T13:13:06Z) - Molecular graph generation with Graph Neural Networks [2.7393821783237184]
MG2N2と呼ばれる一連のグラフニューラルネットワークモジュールに基づくシーケンシャルな分子グラフジェネレーターを紹介します。
我々のモデルは、過度に適合することなく、トレーニング段階で見られる分子パターンを一般化することができる。
論文 参考訳(メタデータ) (2020-12-14T10:32:57Z) - Retrosynthesis Prediction with Conditional Graph Logic Network [118.70437805407728]
コンピュータ支援のレトロシンセシスは、化学と計算機科学の双方から新たな関心を集めている。
本稿では,グラフニューラルネットワーク上に構築された条件付きグラフィカルモデルであるConditional Graph Logic Networkを用いて,この課題に対する新しいアプローチを提案する。
論文 参考訳(メタデータ) (2020-01-06T05:36:57Z)
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。