論文の概要: Accelerating Inference in Molecular Diffusion Models with Latent
Representations of Protein Structure
- arxiv url: http://arxiv.org/abs/2311.13466v1
- Date: Wed, 22 Nov 2023 15:32:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-23 14:39:00.714370
- Title: Accelerating Inference in Molecular Diffusion Models with Latent
Representations of Protein Structure
- Title(参考訳): タンパク質構造の潜在表現を伴う分子拡散モデルにおける加速推論
- Authors: Ian Dunn, David Ryan Koes
- Abstract要約: 拡散生成モデルは3次元分子構造に直接作用する。
分子構造の潜在表現を学習するための新しいGNNアーキテクチャを提案する。
本モデルでは,全原子タンパク質の表現に匹敵する性能を示しながら,推論時間を3倍に短縮した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Diffusion generative models have emerged as a powerful framework for
addressing problems in structural biology and structure-based drug design.
These models operate directly on 3D molecular structures. Due to the
unfavorable scaling of graph neural networks (GNNs) with graph size as well as
the relatively slow inference speeds inherent to diffusion models, many
existing molecular diffusion models rely on coarse-grained representations of
protein structure to make training and inference feasible. However, such
coarse-grained representations discard essential information for modeling
molecular interactions and impair the quality of generated structures. In this
work, we present a novel GNN-based architecture for learning latent
representations of molecular structure. When trained end-to-end with a
diffusion model for de novo ligand design, our model achieves comparable
performance to one with an all-atom protein representation while exhibiting a
3-fold reduction in inference time.
- Abstract(参考訳): 拡散生成モデルは、構造生物学と構造に基づく薬物設計の問題に対処するための強力な枠組みとして登場した。
これらのモデルは直接3次元分子構造で動作する。
グラフサイズを持つグラフニューラルネットワーク(GNN)のスケーリングが好ましくないことや、拡散モデル固有の比較的遅い推論速度のため、既存の分子拡散モデルは、トレーニングと推論を可能にするためにタンパク質構造の粗い粒度の表現に依存している。
しかし、そのような粗い粒度の表現は分子相互作用のモデル化に必要な情報を破棄し、生成した構造の品質を損なう。
本稿では,分子構造の潜在表現を学習するための新しいGNNアーキテクチャを提案する。
デ・ノボ・リガンド設計のための拡散モデルを用いてエンドツーエンドの訓練を行った場合、このモデルは、推論時間の3倍の減少を示しながら、全原子タンパク質の表現に匹敵する性能を発揮する。
関連論文リスト
- Generating Molecular Conformer Fields [13.240888443326888]
分子グラフから3次元空間の点へ要素をマッピングする連続関数としてコンバータをパラメータ化する。
次に、拡散生成モデルを用いて、これらの関数上の分布を学習する際、コンバータを生成することの学習問題を定式化する。
我々のアプローチは単純でスケーラブルであり、挑戦的な分子コンフォーマー生成ベンチマークで最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2023-11-27T22:53:41Z) - Ophiuchus: Scalable Modeling of Protein Structures through Hierarchical
Coarse-graining SO(3)-Equivariant Autoencoders [1.8835495377767553]
天然タンパク質の3次元ネイティブ状態は、繰り返しおよび階層的なパターンを示す。
従来のグラフに基づくタンパク質構造のモデリングは、単一の微細な解像度でしか動作しないことが多い。
オフィチュス(Ophiuchus)は、全原子タンパク質構造を効率的に操作するSO(3)等価な粗粒化モデルである。
論文 参考訳(メタデータ) (2023-10-04T01:01:11Z) - Molecule Design by Latent Space Energy-Based Modeling and Gradual
Distribution Shifting [53.44684898432997]
化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。
本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。
本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
論文 参考訳(メタデータ) (2023-06-09T03:04:21Z) - 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) - MUDiff: Unified Diffusion for Complete Molecule Generation [104.7021929437504]
本稿では,原子の特徴,2次元離散分子構造,および3次元連続分子座標を含む分子の包括的表現を生成する新しいモデルを提案する。
拡散過程を認知するための新しいグラフトランスフォーマーアーキテクチャを提案する。
我々のモデルは、安定で多様な分子を設計するための有望なアプローチであり、分子モデリングの幅広いタスクに適用できる。
論文 参考訳(メタデータ) (2023-04-28T04:25:57Z) - An Equivariant Generative Framework for Molecular Graph-Structure
Co-Design [54.92529253182004]
分子グラフ構造アンダーラインCo設計のための機械学習ベースの生成フレームワークであるMollCodeを提案する。
MolCodeでは、3D幾何情報によって分子2Dグラフの生成が促進され、それによって分子3D構造の予測が導かれる。
分子設計における2次元トポロジーと3次元幾何は本質的に相補的な情報を含んでいることが明らかとなった。
論文 参考訳(メタデータ) (2023-04-12T13:34:22Z) - Modeling Molecular Structures with Intrinsic Diffusion Models [2.487445341407889]
本論文は本質的拡散モデリングを提案する。
拡散生成モデルと生物学的複合体の柔軟性に関する科学的知識を組み合わせる。
計算化学と生物学に基づく2つの基本的な課題に対して,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2023-02-23T03:26:48Z) - 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) - Predicting Aqueous Solubility of Organic Molecules Using Deep Learning
Models with Varied Molecular Representations [3.10678679607547]
本研究の目的は、幅広い有機分子の溶解度を予測できる一般モデルを開発することである。
現在利用可能な最大の溶解度データセットを用いて、分子構造から溶解度を予測するディープラーニングモデルを構築した。
分子ディスクリプタを用いたモデルでは,GNNモデルでも優れた性能が得られた。
論文 参考訳(メタデータ) (2021-05-26T15:54:54Z) - Learning Neural Generative Dynamics for Molecular Conformation
Generation [89.03173504444415]
分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。
分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
論文 参考訳(メタデータ) (2021-02-20T03:17:58Z) - Generating Tertiary Protein Structures via an Interpretative Variational
Autoencoder [16.554053012204182]
本稿では,タンパク質の機能的関連3次元構造を生成するための代替手法を提案し,評価する。
いくつかの深層建築の包括的評価は、新しい第三次構造をサンプリングするための潜伏空間を直接明らかにする上で、生成モデルの可能性を示唆している。
論文 参考訳(メタデータ) (2020-04-08T17:40:21Z)
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。