論文の概要: SE(3)-Invariant Multiparameter Persistent Homology for Chiral-Sensitive Molecular Property Prediction

• arxiv url: http://arxiv.org/abs/2312.07633v1
• Date: Tue, 12 Dec 2023 09:33:54 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-14 18:01:38.563256
• Title: SE(3)-Invariant Multiparameter Persistent Homology for Chiral-Sensitive Molecular Property Prediction
• Title（参考訳）: キラル感度分子特性予測のためのSE(3)不変多パラメータ永続ホモロジー
• Authors: Andac Demir, Francis Prael III, Bulent Kiziltan
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 1.534667887016089
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In this study, we present a novel computational method for generating molecular fingerprints using multiparameter persistent homology (MPPH). This technique holds considerable significance for drug discovery and materials science, where precise molecular property prediction is vital. By integrating SE(3)-invariance with Vietoris-Rips persistent homology, we effectively capture the three-dimensional representations of molecular chirality. This non-superimposable mirror image property directly influences the molecular interactions, serving as an essential factor in molecular property prediction. We explore the underlying topologies and patterns in molecular structures by applying Vietoris-Rips persistent homology across varying scales and parameters such as atomic weight, partial charge, bond type, and chirality. Our method's efficacy can be improved by incorporating additional parameters such as aromaticity, orbital hybridization, bond polarity, conjugated systems, as well as bond and torsion angles. Additionally, we leverage Stochastic Gradient Langevin Boosting in a Bayesian ensemble of GBDTs to obtain aleatoric and epistemic uncertainty estimates for gradient boosting models. With these uncertainty estimates, we prioritize high-uncertainty samples for active learning and model fine-tuning, benefiting scenarios where data labeling is costly or time consuming. Compared to conventional GNNs which usually suffer from oversmoothing and oversquashing, MPPH provides a more comprehensive and interpretable characterization of molecular data topology. We substantiate our approach with theoretical stability guarantees and demonstrate its superior performance over existing state-of-the-art methods in predicting molecular properties through extensive evaluations on the MoleculeNet benchmark datasets.
• Abstract（参考訳）: 本研究では,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。 この手法は、正確な分子特性予測が不可欠である創薬と物質科学において重要な意味を持つ。 SE(3)-不変性とVietoris-Rips持続ホモロジーを組み合わせることで、分子キラリティの3次元表現を効果的に捉えることができる。 この非加重ミラー像の性質は分子相互作用に直接影響し、分子特性の予測に必須の要素となる。 我々は, 原子量, 部分電荷, 結合型, キラリティーなどの様々なスケールとパラメータにまたがるビエトリス・リップス持続ホモロジーを応用し, 分子構造の基盤となるトポロジーとパターンを探索する。 本手法の有効性は, 芳香族性, 軌道ハイブリダイゼーション, 結合極性, 共役系, および結合角, ねじれ角などのパラメータを付加することにより改善できる。 さらに, gbdtのベイズアンサンブルにおける確率的勾配ランジュバンブースティングを利用して, 勾配ブースティングモデルに対するアレテータ的, 認識的不確実性推定を得る。 これらの不確実性推定では、アクティブラーニングとモデル微調整のための高不確実性サンプルを優先し、データラベリングがコストや時間を要するシナリオの恩恵を受ける。 従来のGNNと比較して、MPPHは分子データトポロジーのより包括的で解釈可能な特徴を提供する。 提案手法を理論的安定性保証を用いて実証し,分子特性予測における既存手法よりも優れた性能を示す。

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)
• Data-Driven Parametrization of Molecular Mechanics Force Fields for Expansive Chemical Space Coverage [16.745564099126575]
  我々は、薬物様分子のアンバー互換力場であるByteFFを開発した。 本モデルでは, 薬物様分子のすべての結合および非結合MM力場パラメータを, 広い化学空間にわたって同時に予測する。
  論文  参考訳（メタデータ） (2024-08-23T03:37:06Z)
• Molecule Design by Latent Prompt Transformer [76.2112075557233]
  本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。 本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-27T03:33:23Z)
• Field-based Molecule Generation [50.124402120798365]
  本稿では,本手法の柔軟性が,一般的なポイントクラウド方式よりも重要な利点をもたらすことを示す。 我々は、薬物の安全性と有効性に欠落した分子特性である光学異性体(エナンチオマー)に取り組む。
  論文  参考訳（メタデータ） (2024-02-24T17:13:58Z)
• Multiparameter Persistent Homology for Molecular Property Prediction [1.8130068086063336]
  このアプローチは、分子幾何学における潜伏構造と関係を明らかにする。 我々は,リポフィリシティ,FreeSolv,ESOLデータセットについて広範な実験を行い,その分子特性予測の有効性を実証した。
  論文  参考訳（メタデータ） (2023-11-17T17:57:56Z)
• From Peptides to Nanostructures: A Euclidean Transformer for Fast and Stable Machine Learned Force Fields [5.013279299982324]
  本稿では,疎等式表現と自己注意機構を組み合わせたSO3kratesというトランスフォーマーアーキテクチャを提案する。 SO3kratesは精度、安定性、速度の独特な組み合わせを実現し、拡張時間とシステムサイズスケールでの物質の量子特性の洞察に富んだ分析を可能にする。
  論文  参考訳（メタデータ） (2023-09-21T09:22:05Z)
• Molecular Conformation Generation via Shifting Scores [21.986775283620883]
  本稿では,分子の崩壊を,分子を構成する原子に増大する力場を鋳造すると見なすことのできる新しい分子コンホメーション生成手法を提案する。 対応する生成モデリングは、実現可能な原子間距離幾何学を保証し、時間可逆性を示す。
  論文  参考訳（メタデータ） (2023-09-12T07:39:43Z)
• 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)
• 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)
• 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)

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。