論文の概要: Carbohydrate NMR chemical shift predictions using E(3) equivariant graph
neural networks
- arxiv url: http://arxiv.org/abs/2311.12657v1
- Date: Tue, 21 Nov 2023 15:01:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-23 00:00:25.515508
- Title: Carbohydrate NMR chemical shift predictions using E(3) equivariant graph
neural networks
- Title(参考訳): E(3)同変グラフニューラルネットワークを用いた炭水化物NMR化学シフト予測
- Authors: Maria B{\aa}nkestad, Keven M. Dorst, G\"oran Widmalm, Jerk R\"onnols
- Abstract要約: この研究は、E(3)同変グラフニューラルネットワークを利用して炭水化物NMRスペクトルを予測する新しいアプローチを導入する。
特に,従来のモデルと比較して,平均絶対誤差を最大3倍に削減した。
この含意は、炭水化物の構造とスペクトル解釈の高度な理解を超えている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Carbohydrates, vital components of biological systems, are well-known for
their structural diversity. Nuclear Magnetic Resonance (NMR) spectroscopy plays
a crucial role in understanding their intricate molecular arrangements and is
essential in assessing and verifying the molecular structure of organic
molecules. An important part of this process is to predict the NMR chemical
shift from the molecular structure. This work introduces a novel approach that
leverages E(3) equivariant graph neural networks to predict carbohydrate NMR
spectra. Notably, our model achieves a substantial reduction in mean absolute
error, up to threefold, compared to traditional models that rely solely on
two-dimensional molecular structure. Even with limited data, the model excels,
highlighting its robustness and generalization capabilities. The implications
are far-reaching and go beyond an advanced understanding of carbohydrate
structures and spectral interpretation. For example, it could accelerate
research in pharmaceutical applications, biochemistry, and structural biology,
offering a faster and more reliable analysis of molecular structures.
Furthermore, our approach is a key step towards a new data-driven era in
spectroscopy, potentially influencing spectroscopic techniques beyond NMR.
- Abstract(参考訳): 生体システムの必須成分である炭水化物は、その構造的多様性でよく知られている。
核磁気共鳴分光法(NMR)は、複雑な分子配列を理解する上で重要な役割を担い、有機分子の分子構造の評価と検証に不可欠である。
このプロセスの重要な部分は、NMR化学シフトを分子構造から予測することである。
この研究は、E(3)同変グラフニューラルネットワークを利用して炭水化物NMRスペクトルを予測する新しいアプローチを導入する。
特に, 従来の2次元分子構造のみに依存するモデルと比較して, 平均絶対誤差を最大3倍に削減できた。
限られたデータであっても、モデルは優れており、堅牢性と一般化能力を強調している。
この含意は、炭水化物の構造とスペクトル解釈の高度な理解を超えている。
例えば、薬学、生化学、構造生物学の研究を加速させ、分子構造のより速く、より信頼性の高い分析を可能にする。
さらに、我々のアプローチは、NMR以外の分光技術に影響を与える可能性のある、新しいデータ駆動分光時代への重要なステップである。
関連論文リスト
- Infrared Spectra Prediction for Diazo Groups Utilizing a Machine
Learning Approach with Structural Attention Mechanism [0.0]
赤外分光法は、分子構造や力学を振動や回転の遷移を通じて解明する化学研究において重要な技術である。
本稿では、特にジアゾ化合物の赤外スペクトルの予測と解釈を強化するために、構造的注意機構を用いた機械学習手法を提案する。
論文 参考訳(メタデータ) (2024-02-05T15:44:43Z) - SE(3)-Invariant Multiparameter Persistent Homology for Chiral-Sensitive
Molecular Property Prediction [1.534667887016089]
多パラメータ持続ホモロジー(MPPH)を用いた新しい分子指紋生成法を提案する。
この技術は、正確な分子特性予測が不可欠である薬物発見と材料科学において、かなりの重要性を持っている。
分子特性の予測における既存の最先端手法よりも優れた性能を示し,MoleculeNetベンチマークで広範囲な評価を行った。
論文 参考訳(メタデータ) (2023-12-12T09:33:54Z) - 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) - Bi-level Contrastive Learning for Knowledge-Enhanced Molecule
Representations [55.42602325017405]
本稿では,分子の2レベル構造を考慮した新しいGODE法を提案する。
異なるグラフ構造上で2つのグラフニューラルネットワーク(GNN)を事前訓練し、対照的な学習と組み合わせることで、GODEは分子構造を対応する知識グラフサブ構造と融合させる。
11の化学特性タスクを微調整した場合、我々のモデルは既存のベンチマークよりも優れており、分類タスクの平均ROC-AUCアップリフトは13.8%、回帰タスクの平均RMSE/MAEエンハンスメントは35.1%である。
論文 参考訳(メタデータ) (2023-06-02T15:49:45Z) - Atomic and Subgraph-aware Bilateral Aggregation for Molecular
Representation Learning [57.670845619155195]
我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。
ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。
本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
論文 参考訳(メタデータ) (2023-05-22T00:56:00Z) - Multi-view deep learning based molecule design and structural
optimization accelerates the SARS-CoV-2 inhibitor discovery [10.974317147338303]
分子生成, 構造最適化, およびSARS-CoV-2インヒビターディスコリピーのためのMulti-viEw Deep生成モデルであるMEDICOを提案する。
評価実験の結果,MEDICOは, 有効, 特異, 新規な分子を生成する上で, 最先端の手法を著しく上回っていることがわかった。
SARS-CoV-2主プロテアーゼ(Mpro)の標的分子生成に関するケーススタディでは、分子ドッキングをケミカルプライオリとしてモデルに組み込むことで、Mproにドラッグライクな性質を持つ新しい小さな分子を生成できることが示され、コビッドのデノボ設計が加速される可能性が示唆された。
論文 参考訳(メタデータ) (2022-12-03T08:21:13Z) - Improving Molecular Pretraining with Complementary Featurizations [20.86159731100242]
分子プレトレーニング(英: molecular pretraining)は、計算化学と薬物発見における様々な課題を解決するためのパラダイムである。
化学情報を異なる方法で伝達できることが示される。
我々は, 簡易で効果的な分子事前学習フレームワーク(MOCO)を提案する。
論文 参考訳(メタデータ) (2022-09-29T21:11:09Z) - Graph neural networks for the prediction of molecular structure-property
relationships [59.11160990637615]
グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。
GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。
本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
論文 参考訳(メタデータ) (2022-07-25T11:30:44Z) - Graph-based Molecular Representation Learning [59.06193431883431]
分子表現学習(MRL)は、機械学習と化学科学を結びつけるための重要なステップである。
近年、MRLは、特に深層分子グラフ学習に基づく手法において、かなりの進歩を遂げている。
論文 参考訳(メタデータ) (2022-07-08T17:43:20Z) - Multi-View Graph Neural Networks for Molecular Property Prediction [67.54644592806876]
マルチビューグラフニューラルネットワーク(MV-GNN)を提案する。
MV-GNNでは,学習過程を安定させるために,自己注意型読み出しコンポーネントと不一致損失を導入する。
我々は、相互依存型メッセージパッシング方式を提案することにより、MV-GNNの表現力をさらに強化する。
論文 参考訳(メタデータ) (2020-05-17T04:46:07Z)
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。