Fugu-MT 論文翻訳(概要): Genetic algorithms are strong baselines for molecule generation

論文の概要: Genetic algorithms are strong baselines for molecule generation

arxiv url: http://arxiv.org/abs/2310.09267v1
Date: Fri, 13 Oct 2023 17:25:11 GMT
ステータス: 処理完了
システム内更新日: 2023-10-16 11:38:37.664876
Title: Genetic algorithms are strong baselines for molecule generation
Title（参考訳）: 遺伝的アルゴリズムは分子生成の強力なベースラインである
Authors: Austin Tripp, Jos\'e Miguel Hern\'andez-Lobato
Abstract要約: 遺伝的アルゴリズム(GA)は既知の分子をランダムに修飾することで分子を生成する。本稿では,GAはそのようなタスクに対して非常に強力なアルゴリズムであり,複雑な機械学習手法よりも優れていることを示す。
参考スコア（独自算出の注目度）: 3.0832873002777785
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Generating molecules, both in a directed and undirected fashion, is a huge part of the drug discovery pipeline. Genetic algorithms (GAs) generate molecules by randomly modifying known molecules. In this paper we show that GAs are very strong algorithms for such tasks, outperforming many complicated machine learning methods: a result which many researchers may find surprising. We therefore propose insisting during peer review that new algorithms must have some clear advantage over GAs, which we call the GA criterion. Ultimately our work suggests that a lot of research in molecule generation should be re-assessed.
Abstract（参考訳）: 分子の生成は、方向付けと非方向付けの両方で、薬物発見パイプラインの大きな部分を占めている。遺伝的アルゴリズム(GA)は既知の分子をランダムに修飾することで分子を生成する。本稿では,GAはそのようなタスクに対して非常に強力なアルゴリズムであり,複雑な機械学習手法よりも優れていることを示す。したがって、ピアレビューにおいて、新しいアルゴリズムは、GA基準と呼ばれるGAよりも明確な優位性を持つべきであると主張する。最終的に我々の研究は、分子生成に関する多くの研究は再評価されるべきであることを示唆している。

関連論文リスト

Curiosity as a Self-Supervised Method to Improve Exploration in De novo Drug Design [0.276240219662896]
我々は、化学空間の多くの部分をモデルにナビゲートさせる好奇心駆動方式を導入する。まず、リカレントニューラルネットワークに基づく汎用分子発生器(G)を訓練し、その後、好奇心と好ましさを最大化するためにGを微調整する。薬物類似性に関連する2つの望ましい化学的性質に対する我々のアプローチをベンチマークし, 発見された化学空間を著しく拡張できることを示した。
論文参考訳（メタデータ） (2023-09-24T06:44:51Z)
Towards Predicting Equilibrium Distributions for Molecular Systems with Deep Learning [60.02391969049972]
本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。 DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
論文参考訳（メタデータ） (2023-06-08T17:12:08Z)
MolCPT: Molecule Continuous Prompt Tuning to Generalize Molecular Representation Learning [77.31492888819935]
分子表現学習のための「プリトレイン,プロンプト,ファインチューン」という新しいパラダイム,分子連続プロンプトチューニング(MolCPT)を提案する。 MolCPTは、事前訓練されたモデルを使用して、スタンドアロンの入力を表現的なプロンプトに投影するモチーフプロンプト関数を定義する。いくつかのベンチマークデータセットの実験により、MollCPTは分子特性予測のために学習済みのGNNを効率的に一般化することが示された。
論文参考訳（メタデータ） (2022-12-20T19:32:30Z)
Retrieval-based Controllable Molecule Generation [63.44583084888342]
制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
論文参考訳（メタデータ） (2022-08-23T17:01:16Z)
Genetic Algorithm for Constrained Molecular Inverse Design [0.1086166673827221]
制約付き分子逆設計を特徴とする遺伝的アルゴリズムを提案する。提案アルゴリズムはクロスオーバーと突然変異に有効な分子を生成する。実験により,本アルゴリズムは構造的制約を保ちながら,特定の性質を満たす分子を効果的に発見できることが証明された。
論文参考訳（メタデータ） (2021-12-07T05:58:44Z)
Improving RNA Secondary Structure Design using Deep Reinforcement Learning [69.63971634605797]
本稿では,RNA配列設計に強化学習を適用した新しいベンチマークを提案する。このベンチマークでは,目的関数を配列の二次構造における自由エネルギーとして定義する。本稿では,これらのアルゴリズムに対して行うアブレーション解析の結果と,バッチ間でのアルゴリズムの性能を示すグラフを示す。
論文参考訳（メタデータ） (2021-11-05T02:54:06Z)
Goal directed molecule generation using Monte Carlo Tree Search [15.462930062711237]
我々は,モンテカルロ木探索を用いて,各ステップで分子を単位変化させることにより分子生成を行う,ユニットMCTSと呼ばれる新しい手法を提案する。本手法は,最近発表されたQEDやopalized logPといったベンチマーク分子最適化の手法よりも優れていることを示す。
論文参考訳（メタデータ） (2020-10-30T17:49:59Z)
A summary of the prevalence of Genetic Algorithms in Bioinformatics from 2015 onwards [0.0]
遺伝的アルゴリズムは完全なアプリケーションを作ることは滅多になく、サポートベクターマシンのような他の重要なアルゴリズムに依存している。 GAのような人口ベースの検索は、しばしば他の機械学習アルゴリズムと組み合わせられる。遺伝的アルゴリズムの未来は、複雑さを高め、多様な解決策を見つけようとするオープンエンド進化アルゴリズムかもしれない。
論文参考訳（メタデータ） (2020-08-20T15:15:43Z)
Guiding Deep Molecular Optimization with Genetic Exploration [79.50698140997726]
本稿では,深層ニューラルネットワーク(DNN)を訓練し,高次分子を生成する,遺伝的専門家誘導学習(GEGL)を提案する。大規模な実験により、GEGLは最先端の手法よりも大幅に改善されていることが示された。
論文参考訳（メタデータ） (2020-07-04T05:01:26Z)
Self-Supervised Graph Transformer on Large-Scale Molecular Data [73.3448373618865]
分子表現学習のための新しいフレームワークGROVERを提案する。 GROVERは、分子の豊富な構造的および意味的な情報を、巨大な未標識分子データから学習することができる。分子表現学習において、最大のGNNであり、最大のトレーニングデータセットである、1000万個の未標識分子に1億のパラメータを持つGROVERを事前訓練します。
論文参考訳（メタデータ） (2020-06-18T08:37:04Z)
Using Genetic Algorithm To Evolve Cellular Automata In Performing Edge Detection [0.0]
遺伝的アルゴリズムを用いて画像のエッジ検出を行う。我々はセルオートマトンを進化させようと試み、その時間とともに望ましい結果にどのように収束するかを示した。
論文参考訳（メタデータ） (2020-05-13T04:07:43Z)

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。