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/2309.17366v2
Date: Thu, 18 Jan 2024 02:27:11 GMT
ステータス: 処理完了
システム内更新日: 2024-01-19 19:56:02.054667
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: 3D-Molはより正確な空間構造表現のために設計された新しいアプローチである。分子を3つの階層グラフに分解し、幾何学的情報をよりよく抽出する。 3D-Molと最先端のベースラインを7つのベンチマークで比較し,優れた性能を示す。
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, crucial for early drug candidate screening and optimization, has seen advancements with deep learning-based methods. While deep learning-based methods have advanced considerably, they often fall short in fully leveraging 3D spatial information. Specifically, current molecular encoding techniques tend to inadequately extract spatial information, leading to ambiguous representations where a single one might represent multiple distinct molecules. Moreover, existing molecular modeling methods focus predominantly on the most stable 3D conformations, neglecting other viable conformations present in reality. To address these issues, we propose 3D-Mol, a novel approach designed for more accurate spatial structure representation. It deconstructs molecules into three hierarchical graphs to better extract geometric information. Additionally, 3D-Mol leverages contrastive learning for pretraining on 20 million unlabeled data, treating their conformations with identical topological structures as weighted positive pairs and contrasting ones as negatives, based on the similarity of their 3D conformation descriptors and fingerprints. We compare 3D-Mol with various state-of-the-art baselines on 7 benchmarks and demonstrate our outstanding performance.
Abstract（参考訳）: 分子特性予測は、初期の薬物候補のスクリーニングと最適化に不可欠であり、深層学習に基づく手法で進歩を遂げている。深層学習に基づく手法はかなり進歩しているが、3d空間情報を十分に活用できないことが多い。特に、現在の分子エンコーディング技術は空間情報を不十分に抽出する傾向にあり、単一の分子が複数の異なる分子を表現できるあいまいな表現をもたらす。さらに、既存の分子モデリング手法は、最も安定な3dコンフォメーションに主に焦点をあて、現実に存在する他の実行可能なコンフォメーションを無視している。これらの問題に対処するために,より正確な空間構造表現のために設計された新しいアプローチである3d-molを提案する。分子を3つの階層グラフに分解し、幾何学的情報を抽出する。さらに、3D-Molは、2000万のラベルのないデータに対する事前学習に対照的な学習を活用し、3Dコンフォメーション記述子と指紋の類似性に基づいて、同じトポロジカル構造によるコンフォメーションを重み付き正のペアとして扱い、負のペアとして扱う。 7つのベンチマークで3D-Molと最先端のベースラインを比較し,優れた性能を示す。

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。