Fugu-MT 論文翻訳(概要): A Universal Framework for Accurate and Efficient Geometric Deep Learning of Molecular Systems

論文の概要: A Universal Framework for Accurate and Efficient Geometric Deep Learning of Molecular Systems

arxiv url: http://arxiv.org/abs/2311.11228v1
Date: Sun, 19 Nov 2023 04:52:05 GMT
ステータス: 処理完了
システム内更新日: 2023-11-21 21:33:41.579131
Title: A Universal Framework for Accurate and Efficient Geometric Deep Learning of Molecular Systems
Title（参考訳）: 分子システムの高精度で効率的な幾何学的深層学習のための普遍的枠組み
Authors: Shuo Zhang, Yang Liu, Lei Xie
Abstract要約: PAMNetは、どんな分子系でも様々な大きさの3D分子の表現を学習するための普遍的なフレームワークである。分子力学にインスパイアされたPAMNetは、局所的および非局所的相互作用とそれらの結合効果を明示的にモデル化するために、物理インフォームドバイアスを誘導する。ベンチマーク研究において、PAMNetは3つの多様な学習タスクにおいて、正確性と効率の両面で最先端のベースラインを上回っている。
参考スコア（独自算出の注目度）: 19.268713909099507
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Molecular sciences address a wide range of problems involving molecules of different types and sizes and their complexes. Recently, geometric deep learning, especially Graph Neural Networks, has shown promising performance in molecular science applications. However, most existing works often impose targeted inductive biases to a specific molecular system, and are inefficient when applied to macromolecules or large-scale tasks, thereby limiting their applications to many real-world problems. To address these challenges, we present PAMNet, a universal framework for accurately and efficiently learning the representations of three-dimensional (3D) molecules of varying sizes and types in any molecular system. Inspired by molecular mechanics, PAMNet induces a physics-informed bias to explicitly model local and non-local interactions and their combined effects. As a result, PAMNet can reduce expensive operations, making it time and memory efficient. In extensive benchmark studies, PAMNet outperforms state-of-the-art baselines regarding both accuracy and efficiency in three diverse learning tasks: small molecule properties, RNA 3D structures, and protein-ligand binding affinities. Our results highlight the potential for PAMNet in a broad range of molecular science applications.
Abstract（参考訳）: 分子科学は、異なるタイプや大きさの分子とその複合体を含む幅広い問題に対処する。近年、幾何学的ディープラーニング、特にグラフニューラルネットワークは、分子科学の応用において有望な性能を示している。しかし、既存のほとんどの研究は特定の分子系に目的の誘導バイアスを課すことが多く、マクロ分子や大規模タスクに適用しても非効率である。これらの課題に対処するため,PAMNetは,任意の分子系のサイズや型が異なる3次元(3D)分子の表現を正確かつ効率的に学習するための普遍的なフレームワークである。分子力学にインスパイアされたPAMNetは、局所的および非局所的相互作用とその組み合わせ効果を明示的にモデル化するために、物理情報バイアスを誘導する。その結果、PAMNetは高価な操作を削減でき、時間とメモリ効率が向上する。広範なベンチマーク研究において、PAMNetは、小さな分子の性質、RNA3D構造、タンパク質-リガンド結合親和性という3つの異なる学習課題において、精度と効率の両面で最先端のベースラインより優れている。この結果は,分子科学の幅広い応用におけるPAMNetの可能性を強調した。

関連論文リスト

UniIF: Unified Molecule Inverse Folding [67.60267592514381]
全分子の逆折り畳みのための統一モデルUniIFを提案する。提案手法は,全タスクにおける最先端手法を超越した手法である。
論文参考訳（メタデータ） (2024-05-29T10:26:16Z)
Learning Over Molecular Conformer Ensembles: Datasets and Benchmarks [45.9401235464876]
コンフォーマーアンサンブルを用いた学習の可能性を徹底的に評価するための,最初のMoleculAR Conformer Ensemble Learningベンチマークを導入する。その結果,コンバータ空間からの直接学習は,様々なタスクやモデルの性能を向上させることができることがわかった。
論文参考訳（メタデータ） (2023-09-29T20:06:46Z)
Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
論文参考訳（メタデータ） (2023-02-04T01:32:40Z)
MolGenSurvey: A Systematic Survey in Machine Learning Models for Molecule Design [46.06839497430207]
大きな探索空間のため、人間の専門家は湿式実験で全ての分子を列挙してテストすることは不可能である。機械学習手法の急速な開発により、分子設計は機械学習モデルを利用して候補分子を生成することで大きな進歩を遂げた。
論文参考訳（メタデータ） (2022-03-28T05:05:11Z)
Scalable Fragment-Based 3D Molecular Design with Reinforcement Learning [68.8204255655161]
分子構築に階層的エージェントを用いるスケーラブルな3D設計のための新しいフレームワークを提案する。様々な実験において、エネルギーのみを考慮に入れたエージェントが、100以上の原子を持つ分子を効率よく生成できることが示されている。
論文参考訳（メタデータ） (2022-02-01T18:54:24Z)
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)
ChemRL-GEM: Geometry Enhanced Molecular Representation Learning for Property Prediction [25.49976851499949]
化学表現学習のための新しい幾何強化分子表現学習法(GEM)を提案する。まず、分子内の原子、結合、結合角を同時にモデル化する幾何学に基づくGNNアーキテクチャを設計する。考案されたGNNアーキテクチャの上に,空間知識を学習するための幾何レベルの自己教師型学習戦略を提案する。
論文参考訳（メタデータ） (2021-06-11T02:35:53Z)
GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
論文参考訳（メタデータ） (2021-06-08T14:17:59Z)
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)
ASGN: An Active Semi-supervised Graph Neural Network for Molecular Property Prediction [61.33144688400446]
本稿では,ラベル付き分子とラベルなし分子の両方を組み込んだ,アクティブ半教師付きグラフニューラルネットワーク(ASGN)を提案する。教師モデルでは,分子構造や分子分布から情報を共同で活用する汎用表現を学習するための,新しい半教師付き学習手法を提案する。最後に,分子多様性の観点から,フレームワーク学習全体を通して情報的データを選択するための新しい能動的学習戦略を提案する。
論文参考訳（メタデータ） (2020-07-07T04:22:39Z)

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。