論文の概要: De Novo Drug Design with Joint Transformers

• arxiv url: http://arxiv.org/abs/2310.02066v3
• Date: Mon, 4 Dec 2023 08:34:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-05 21:57:01.054015
• Title: De Novo Drug Design with Joint Transformers
• Title（参考訳）: ジョイントトランスを用いたデ・ノボ薬物設計
• Authors: Adam Izdebski and Ewelina Weglarz-Tomczak and Ewa Szczurek and Jakub M. Tomczak
• Abstract要約: ド・ノボの薬物設計では、トレーニングデータ以外の新しい分子を同時に生成し、その標的特性を予測する必要がある。 本稿では,共有重み付き共同生成モデルにおいて,トランスフォーマーデコーダ,トランスフォーマーエンコーダ,および予測器を組み合わせたジョイントトランスフォーマを提案する。 我々は、目標特性を改善した新しい分子を生成するために、Joint Transformerを用いた確率的ブラックボックス最適化アルゴリズムを定式化する。
• 参考スコア（独自算出の注目度）: 9.339914898177186
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: De novo drug design requires simultaneously generating novel molecules outside of training data and predicting their target properties, making it a hard task for generative models. To address this, we propose Joint Transformer that combines a Transformer decoder, Transformer encoder, and a predictor in a joint generative model with shared weights. We formulate a probabilistic black-box optimization algorithm that employs Joint Transformer to generate novel molecules with improved target properties and outperforms other SMILES-based optimization methods in de novo drug design.
• Abstract（参考訳）: de novo drug designでは、トレーニングデータ以外の新しい分子を同時生成し、そのターゲット特性を予測する必要があるため、生成モデルでは難しい作業となる。 そこで本研究では,共同生成モデルにおけるトランスフォーマーデコーダ,トランスフォーマーエンコーダ,および予測器を組み合わせたジョイントトランスフォーマを提案する。 目的特性を改良した新規分子を生成するためにJoint Transformerを用いた確率的ブラックボックス最適化アルゴリズムを定式化し、デノボ薬物設計において他のSMILESベースの最適化手法より優れる。

関連論文リスト

• AI-Guided Codesign Framework for Novel Material and Device Design applied to MTJ-based True Random Number Generators [0.8281068183088186]
  我々は、強化学習と進化最適化を活用して、様々なデバイスモデルのキーデバイスと材料特性を変化させる。 所望の確率分布のサンプルを生成できる候補装置を,AIガイドによるコード署名法で生成した。
  論文  参考訳（メタデータ） (2024-11-01T20:16:55Z)
• Permutation invariant multi-output Gaussian Processes for drug combination prediction in cancer [2.1145050293719745]
  がんにおける線量応答予測は、機械学習における活発な応用分野である。 目標は、実験的な設計をガイドしたり、治療決定を知らせるために使用できる正確な予測モデルを開発することである。
  論文  参考訳（メタデータ） (2024-06-28T18:28:38Z)
• DecompOpt: Controllable and Decomposed Diffusion Models for Structure-based Molecular Optimization [49.85944390503957]
  DecompOptは、制御可能・拡散モデルに基づく構造に基づく分子最適化手法である。 DecompOptは強いde novoベースラインよりも優れた特性を持つ分子を効率よく生成できることを示す。
  論文  参考訳（メタデータ） (2024-03-07T02:53:40Z)
• Molecule Design by Latent Prompt Transformer [76.2112075557233]
  本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。 本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-27T03:33:23Z)
• Full Stack Optimization of Transformer Inference: a Survey [58.55475772110702]
  トランスフォーマーモデルは広範囲のアプリケーションにまたがって優れた精度を実現する。 最近のTransformerモデルの推測に必要な計算量と帯域幅は、かなり増加しています。 Transformerモデルをより効率的にすることに注力している。
  論文  参考訳（メタデータ） (2023-02-27T18:18:13Z)
• Effective Pre-Training Objectives for Transformer-based Autoencoders [97.99741848756302]
  トランスフォーマーエンコーダの効率,コスト,精度のトレードオフについて検討する。 共通の目的の機能を組み合わせて、新しい効果的な事前学習アプローチを作成します。
  論文  参考訳（メタデータ） (2022-10-24T18:39:44Z)
• A Transformer-based Generative Model for De Novo Molecular Design [4.6782243206450325]
  ターゲット特異的分子設計のためのトランスフォーマーに基づくディープモデルを提案する。 提案法は, 薬物様化合物と標的特異的化合物の両方を生成可能である。
  論文  参考訳（メタデータ） (2022-10-17T05:03:35Z)
• Tailoring Molecules for Protein Pockets: a Transformer-based Generative Solution for Structured-based Drug Design [133.1268990638971]
  標的タンパク質の構造に基づくデノボ薬物の設計は、新規な薬物候補を提供することができる。 そこで本研究では,特定のターゲットに対して,対象薬物をスクラッチから直接生成できるTamGentという生成ソリューションを提案する。
  論文  参考訳（メタデータ） (2022-08-30T09:32:39Z)
• Molecular Attributes Transfer from Non-Parallel Data [57.010952598634944]
  分子最適化をスタイル伝達問題として定式化し、非並列データの2つのグループ間の内部差を自動的に学習できる新しい生成モデルを提案する。 毒性修飾と合成性向上という2つの分子最適化タスクの実験により,本モデルがいくつかの最先端手法を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2021-11-30T06:10:22Z)
• Controlled Molecule Generator for Optimizing Multiple Chemical Properties [9.10095508718581]
  2つの制約ネットワークを持つトランスフォーマーに基づく新しい最適化された分子生成モデルを提案する。 実験により,提案モデルでは,複数の特性を同時に最適化する上で,最先端モデルよりも有意な差が認められた。
  論文  参考訳（メタデータ） (2020-10-26T21:26:14Z)

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。