論文の概要: Distributed Reinforcement Learning for Molecular Design: Antioxidant
case
- arxiv url: http://arxiv.org/abs/2312.01267v1
- Date: Sun, 3 Dec 2023 03:23:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-05 18:19:29.093705
- Title: Distributed Reinforcement Learning for Molecular Design: Antioxidant
case
- Title（参考訳）: 分子設計のための分散強化学習:アンチオキシダントの場合
- Authors: Huanyi Qin, Denis Akhiyarov, Sophie Loehle, Kenneth Chiu, and Mauricio
Araya-Polo
- Abstract要約: DA-MolDQNは抗酸化剤の分散強化学習アルゴリズムである。
従来のアルゴリズムよりも100倍高速で、プロプライエタリおよびパブリックな抗酸化物質から新しい最適化された分子を発見することができる。
- 参考スコア（独自算出の注目度）: 0.20971479389679337
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep reinforcement learning has successfully been applied for molecular
discovery as shown by the Molecule Deep Q-network (MolDQN) algorithm. This
algorithm has challenges when applied to optimizing new molecules: training
such a model is limited in terms of scalability to larger datasets and the
trained model cannot be generalized to different molecules in the same dataset.
In this paper, a distributed reinforcement learning algorithm for antioxidants,
called DA-MolDQN is proposed to address these problems. State-of-the-art bond
dissociation energy (BDE) and ionization potential (IP) predictors are
integrated into DA-MolDQN, which are critical chemical properties while
optimizing antioxidants. Training time is reduced by algorithmic improvements
for molecular modifications. The algorithm is distributed, scalable for up to
512 molecules, and generalizes the model to a diverse set of molecules. The
proposed models are trained with a proprietary antioxidant dataset. The results
have been reproduced with both proprietary and public datasets. The proposed
molecules have been validated with DFT simulations and a subset of them
confirmed in public "unseen" datasets. In summary, DA-MolDQN is up to 100x
faster than previous algorithms and can discover new optimized molecules from
proprietary and public antioxidants.
- Abstract（参考訳）: 分子ディープqネットワーク(moldqn)アルゴリズムによって示されるように、深層強化学習は分子発見にうまく適用されている。
このようなモデルのトレーニングは、より大きなデータセットへの拡張性という点で制限されており、トレーニングされたモデルは、同じデータセット内の異なる分子に一般化することはできない。
本稿では,DA-MolDQNと呼ばれる抗酸化剤の分散強化学習アルゴリズムを提案する。
最先端結合解離エネルギー(BDE)とイオン化ポテンシャル(IP)予測器は、抗酸化物質を最適化しながら重要な化学的性質であるDA-MolDQNに統合される。
トレーニング時間はアルゴリズムによる分子修飾の改善によって短縮される。
アルゴリズムは分散され、最大512個の分子に対してスケーラブルであり、モデルを様々な分子に一般化する。
提案されたモデルはプロプライエタリな抗酸化物質データセットでトレーニングされる。
結果はプロプライエタリデータセットとパブリックデータセットの両方で再現されている。
提案する分子はdftシミュレーションによって検証され、そのサブセットはパブリックな"アンセエン"データセットで確認されている。
要約すると、DA-MolDQNは従来のアルゴリズムよりも100倍高速で、プロプライエタリおよびパブリックな抗酸化物質から新しい最適化された分子を発見できる。
関連論文リスト
- Conditional Synthesis of 3D Molecules with Time Correction Sampler [58.0834973489875]
Time-Aware Conditional Synthesis (TACS) は拡散モデルにおける条件生成の新しい手法である。
適応的に制御されたプラグアンドプレイの"オンライン"ガイダンスを拡散モデルに統合し、サンプルを所望の特性に向けて駆動する。
論文 参考訳（メタデータ） (2024-11-01T12:59:25Z) - Variational Autoencoding Molecular Graphs with Denoising Diffusion
Probabilistic Model [0.0]
本稿では,階層構造を確率論的潜在ベクトルに組み込んだ新しい深層生成モデルを提案する。
本モデルは,物理特性と活性に関する小さなデータセットを用いて,分子特性予測のための有効な分子潜在ベクトルを設計できることを実証する。
論文 参考訳（メタデータ） (2023-07-02T17:29:41Z) - 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) - HD-Bind: Encoding of Molecular Structure with Low Precision,
Hyperdimensional Binary Representations [3.3934198248179026]
超次元計算(HDC)は、低精度二進ベクトル算術を活用できる学習パラダイムである。
本稿では,HDCに基づく推論手法が,より複雑な機械学習手法よりも90倍効率が高いことを示す。
論文 参考訳（メタデータ） (2023-03-27T21:21:46Z) - De novo PROTAC design using graph-based deep generative models [2.566673015346446]
グラフに基づく生成モデルを用いて,空グラフから PROTAC 様の構造を提案する。
我々は, 予測分解活性の高い化合物に対する生成モデルを構築した。
微調整後、難易度の高いPOIに対する予測活性は50%から80%に増加し、ほぼ完全な化学的妥当性が得られた。
論文 参考訳（メタデータ） (2022-11-04T15:34:45Z) - Exploring Chemical Space with Score-based Out-of-distribution Generation [57.15855198512551]
生成微分方程式(SDE)にアウト・オブ・ディストリビューション制御を組み込んだスコアベース拡散方式を提案する。
いくつかの新しい分子は現実世界の薬物の基本的な要件を満たしていないため、MOODは特性予測器からの勾配を利用して条件付き生成を行う。
我々はMOODがトレーニング分布を超えて化学空間を探索できることを実験的に検証し、既存の方法で見いだされた分子、そして元のトレーニングプールの上位0.01%までも生成できることを実証した。
論文 参考訳（メタデータ） (2022-06-06T06:17:11Z) - Conditional $\beta$-VAE for De Novo Molecular Generation [0.0]
本稿では,ポストホック分子最適化を強化するために潜伏空間をアンタングル化する条件付き$beta$-VAEを提案する。
我々は、分子の妥当性を高め、より長いシーケンス生成を促進するために、相互情報駆動トレーニングプロトコルとデータ拡張を作成します。
論文 参考訳（メタデータ） (2022-05-01T17:38:05Z) - Molecular Attributes Transfer from Non-Parallel Data [57.010952598634944]
分子最適化をスタイル伝達問題として定式化し、非並列データの2つのグループ間の内部差を自動的に学習できる新しい生成モデルを提案する。
毒性修飾と合成性向上という2つの分子最適化タスクの実験により,本モデルがいくつかの最先端手法を著しく上回ることを示した。
論文 参考訳（メタデータ） (2021-11-30T06:10:22Z) - MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [51.00815310242277]
生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。
本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
論文 参考訳（メタデータ） (2020-10-05T20:18:42Z)
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。