Fugu-MT 論文翻訳(概要): 3D-Mol: A Novel Contrastive Learning Framework for Molecular Property Prediction with 3D Information

論文の概要: 3D-Mol: A Novel Contrastive Learning Framework for Molecular Property Prediction with 3D Information

arxiv url: http://arxiv.org/abs/2309.17366v1
Date: Thu, 28 Sep 2023 10:05:37 GMT
ステータス: 処理完了
システム内更新日: 2023-10-02 12:41:53.066380
Title: 3D-Mol: A Novel Contrastive Learning Framework for Molecular Property Prediction with 3D Information
Title（参考訳）: 3D-Mol:3次元情報を用いた分子特性予測のための新しいコントラスト学習フレームワーク
Authors: Taojie Kuang, Yiming Ren, Zhixiang Ren
Abstract要約: 本稿では, 3D-Mol という3次元構造に基づく分子モデリング手法を提案する。完全空間構造を正確に表現するために,分子を3つの幾何学グラフに分解して3次元特徴を抽出する新しいエンコーダを設計する。 7つのベンチマークで3D-MolとSOTA(State-of-the-art)のベースラインを比較し、5つのベンチマークで優れたパフォーマンスを示す。
参考スコア（独自算出の注目度）: 1.3236510525513767
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Molecular property prediction offers an effective and efficient approach for early screening and optimization of drug candidates. Although deep learning based methods have made notable progress, most existing works still do not fully utilize 3D spatial information. This can lead to a single molecular representation representing multiple actual molecules. To address these issues, we propose a novel 3D structure-based molecular modeling method named 3D-Mol. In order to accurately represent complete spatial structure, we design a novel encoder to extract 3D features by deconstructing the molecules into three geometric graphs. In addition, we use 20M unlabeled data to pretrain our model by contrastive learning. We consider conformations with the same topological structure as positive pairs and the opposites as negative pairs, while the weight is determined by the dissimilarity between the conformations. We compare 3D-Mol with various state-of-the-art (SOTA) baselines on 7 benchmarks and demonstrate our outstanding performance in 5 benchmarks.
Abstract（参考訳）: 分子特性予測は、薬物候補の早期スクリーニングと最適化に効果的かつ効率的なアプローチを提供する。深層学習に基づく手法は目覚ましい進歩を遂げているが、既存の作品の多くはまだ3次元空間情報を十分に活用していない。これは複数の実際の分子を表す単一の分子表現につながる。そこで本研究では,3次元構造に基づく分子モデリング手法を提案する。完全空間構造を正確に表現するために,分子を3つの幾何学グラフに分解して3次元特徴を抽出する新しいエンコーダを設計する。さらに,20mのラベルなしデータを用いて,コントラスト学習によるモデルの事前学習を行う。我々は、同じ位相構造と正の対、反対の対を負の対とみなす一方で、重みは共形間の相似性によって決定される。 7つのベンチマークで3D-Molを様々な最先端(SOTA)ベースラインと比較し、5つのベンチマークで優れたパフォーマンスを示す。

関連論文リスト

3D Denoisers are Good 2D Teachers: Molecular Pretraining via Denoising and Cross-Modal Distillation [65.35632020653291]
本稿では、3Dデノイザから表現を蒸留することにより、2Dグラフエンコーダを事前学習する自己教師型分子表現学習フレームワークD&Dを提案する。 D&Dは2Dグラフに基づいて3D情報を推測でき、他のベースラインに対して優れた性能とラベル効率を示す。
論文参考訳（メタデータ） (2023-09-08T01:36:58Z)
Geometry-aware Line Graph Transformer Pre-training for Molecular Property Prediction [4.598522704308923]
Geometry-Aware line graph transformer (Galformer) は、新しい自己教師型学習フレームワークである。 Galformerは、分類タスクと回帰タスクの両方において、すべてのベースラインを一貫して上回る。
論文参考訳（メタデータ） (2023-09-01T14:20:48Z)
Unified Molecular Modeling via Modality Blending [35.16755562674055]
我々は,新しい「Blund-then-predict」自己教師型学習法(MoleBLEND)を導入する。 MoleBLENDは、異なるモジュラリティからの原子関係をマトリックス符号化のための1つの統一された関係にブレンドし、2D構造と3D構造の両方のモダリティ固有情報を復元する。実験によると、MoleBLENDは主要な2D/3Dベンチマー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） (2023-07-12T15:27:06Z)
Automated 3D Pre-Training for Molecular Property Prediction [54.15788181794094]
新たな3D事前学習フレームワーク(3D PGT)を提案する。 3D分子グラフのモデルを事前訓練し、3D構造のない分子グラフに微調整する。提案した3次元PGTの精度, 効率, 一般化能力を示すために, 2次元分子グラフの大規模実験を行った。
論文参考訳（メタデータ） (2023-06-13T14:43:13Z)
3D Molecular Geometry Analysis with 2D Graphs [79.47097907673877]
分子の基底状態3次元ジオメトリは多くの分子解析タスクに必須である。現代の量子力学的手法は正確な3次元幾何学を計算できるが、計算は禁じられている。分子グラフから3次元幾何学を予測するための新しいディープラーニングフレームワークを提案する。
論文参考訳（メタデータ） (2023-05-01T19:00:46Z)
A 3D-Shape Similarity-based Contrastive Approach to Molecular Representation Learning [0.7340017786387767]
グラフニューラルネットワークのための新しいコントラスト学習手法, 形状類似性からの分子コントラスト学習(MolCLaSS)を提案する。 MolCLaSSは3次元のポーズを直接符号化したり、ターゲットにするのではなく、ガウスオーバーレイに基づいて類似した目的と一致し、分子形状の有意義な表現を学ぶ。
論文参考訳（メタデータ） (2022-11-03T20:10:46Z)
Unified 2D and 3D Pre-Training of Molecular Representations [237.36667670201473]
統合された2次元および3次元事前学習に基づく新しい表現学習法を提案する。原子座標と原子間距離は符号化され、グラフニューラルネットワークを介して原子表現と融合する。提案手法は10タスクの最先端化を実現し、2Dのみのタスクの平均改善率は8.3%である。
論文参考訳（メタデータ） (2022-07-14T11:36:56Z)
3D Infomax improves GNNs for Molecular Property Prediction [1.9703625025720701]
本稿では,2次元分子グラフのみに与えられる分子の幾何学をモデル化するための事前学習モデルを提案する。我々は,3次元事前学習が幅広い特性に対して大きな改善をもたらすことを示す。
論文参考訳（メタデータ） (2021-10-08T13:30:49Z)
Spatio-temporal Self-Supervised Representation Learning for 3D Point Clouds [96.9027094562957]
ラベルのないタスクから学習できる時間的表現学習フレームワークを導入する。幼児が野生の視覚的データからどのように学ぶかに触発され、3Dデータから派生した豊かな手がかりを探索する。 STRLは3Dポイントクラウドシーケンスから2つの時間的関連フレームを入力として、空間データ拡張で変換し、不変表現を自己指導的に学習する。
論文参考訳（メタデータ） (2021-09-01T04:17:11Z)
Molecular machine learning with conformer ensembles [0.0]
ChemPropやSchnetなどの主要なアーキテクチャに拡張された複数のディープラーニングモデルを紹介します。次に、これらのモデルの性能トレードオフを2D、3D、4D表現で評価し、薬物活動の予測を行う。新しいアーキテクチャは2Dモデルよりも大幅にパフォーマンスが向上するが、その性能は多くの場合、多くのモデルと同様、単一のコンフォーマを持つ。
論文参考訳（メタデータ） (2020-12-15T17:44:48Z)
ATOM3D: Tasks On Molecules in Three Dimensions [91.72138447636769]
近年、深層ニューラルネットワークが注目されている。本稿では,生物分子のいくつかの重要なクラスにまたがる新しいデータセットと既存のデータセットのコレクションであるATOM3Dを紹介する。これらのタスクごとに3次元の分子学習ネットワークを開発し、パフォーマンスを一貫して改善します。
論文参考訳（メタデータ） (2020-12-07T20:18:23Z)

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。