論文の概要: Generating Molecular Conformer Fields
- arxiv url: http://arxiv.org/abs/2311.17932v2
- Date: Tue, 5 Dec 2023 05:48:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-06 18:49:07.445833
- Title: Generating Molecular Conformer Fields
- Title(参考訳): 分子コンバータフィールドの生成
- Authors: Yuyang Wang, Ahmed A. Elhag, Navdeep Jaitly, Joshua M. Susskind,
Miguel Angel Bautista
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 13.240888443326888
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this paper we tackle the problem of generating conformers of a molecule in
3D space given its molecular graph. We parameterize these conformers as
continuous functions that map elements from the molecular graph to points in 3D
space. We then formulate the problem of learning to generate conformers as
learning a distribution over these functions using a diffusion generative
model, called Molecular Conformer Fields (MCF). Our approach is simple and
scalable, and achieves state-of-the-art performance on challenging molecular
conformer generation benchmarks while making no assumptions about the explicit
structure of molecules (e.g. modeling torsional angles). MCF represents an
advance in extending diffusion models to handle complex scientific problems in
a conceptually simple, scalable and effective manner.
- Abstract(参考訳): 本稿では,分子グラフを与えられた3次元空間における分子のコンフォメータ生成問題に取り組む。
これらを分子グラフから3次元空間内の点への要素を写像する連続関数としてパラメータ化する。
次に、分子適合体場(mcf)と呼ばれる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ことで適合体を生成するための学習の問題を定式化する。
我々のアプローチは単純でスケーラブルであり、分子の明示的な構造(例えば、ねじれ角のモデリング)を仮定することなく、挑戦的な分子コンホメータ生成ベンチマークにおける最先端のパフォーマンスを達成する。
MCFは、概念的に単純でスケーラブルで効果的な方法で複雑な科学的問題を扱うために拡散モデルを拡張している。
関連論文リスト
- Geometric-Facilitated Denoising Diffusion Model for 3D Molecule
Generation [34.82984280504958]
既存の拡散に基づくデノボ3次元分子生成法は2つの大きな課題に直面している。
本研究では,グローバル空間関係を完全に抽出し,高品質な表現を学習するためのDual-Track Transformer Network(DTN)を提案する。
第2の課題は、エッジを直接潜伏空間に埋め込むのではなく、トレーニング期間中に結合の形成に介入する幾何学的識別損失(GFLoss)を設計することである。
論文 参考訳(メタデータ) (2024-01-05T07:29:21Z) - Pre-training of Molecular GNNs via Conditional Boltzmann Generator [0.0]
分子配座のデータセットを用いた分子GNNの事前学習法を提案する。
本モデルは,既存の事前学習法よりも分子特性の予測性能がよいことを示す。
論文 参考訳(メタデータ) (2023-12-20T15:30:15Z) - 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) - 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) - Learning Harmonic Molecular Representations on Riemannian Manifold [18.49126496517951]
分子表現学習は、AIによる薬物発見研究において重要な役割を担っている。
本研究では,その分子表面のラプラス・ベルトラミ固有関数を用いた分子を表現する高調波分子表現学習フレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-27T18:02:47Z) - 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) - 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) - Learning Latent Space Energy-Based Prior Model for Molecule Generation [59.875533935578375]
分子モデリングのためのSMILES表現を用いた潜時空間エネルギーに基づく先行モデルについて学習する。
本手法は,最先端モデルと競合する妥当性と特異性を持つ分子を生成することができる。
論文 参考訳(メタデータ) (2020-10-19T09:34:20Z) - Learning a Continuous Representation of 3D Molecular Structures with
Deep Generative Models [0.0]
生成モデルは、連続的な潜伏空間における分子の表現と最適化を学ぶ全く異なるアプローチである。
原子密度格子を用いた三次元分子構造の深部生成モデルについて述べる。
また、与えられた入力化合物に基づいて多様な分子の集合をサンプリングすることで、有効な薬物様分子の創出の可能性を高めることができる。
論文 参考訳(メタデータ) (2020-10-17T01:15:47Z)
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。