論文の概要: FSscore: A Machine Learning-based Synthetic Feasibility Score Leveraging Human Expertise

• arxiv url: http://arxiv.org/abs/2312.12737v2
• Date: Sat, 05 Oct 2024 13:14:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-08 13:09:36.256629
• Title: FSscore: A Machine Learning-based Synthetic Feasibility Score Leveraging Human Expertise
• Title（参考訳）: FSscore: 人間の専門知識を活用する機械学習ベースの合成可能性スコア
• Authors: Rebecca M. Neeser, Bruno Correia, Philippe Schwaller,
• Abstract要約: この研究は、機械学習を用いて相対的な合成容易性に基づいて構造をランク付けするFocused Synthesizability score(FSscore)を導入している。 FSscoreは、様々な化学応用のための合成実現可能性の評価を最適化するために、どのようにしてヒト・イン・ザ・ループ・フレームワークを利用できるかを示した。
• 参考スコア（独自算出の注目度）: 0.7045000393120925
• License:
• Abstract: Determining whether a molecule can be synthesized is crucial in chemistry and drug discovery, as it guides experimental prioritization and molecule ranking in de novo design tasks. Existing scoring approaches to assess synthetic feasibility struggle to extrapolate to new chemical spaces or fail to discriminate based on subtle differences such as chirality. This work addresses these limitations by introducing the Focused Synthesizability score~(FSscore), which uses machine learning to rank structures based on their relative ease of synthesis. First, a baseline trained on an extensive set of reactant-product pairs is established, which is then refined with expert human feedback tailored to specific chemical spaces. This targeted fine-tuning improves performance on these chemical scopes, enabling more accurate differentiation between molecules that are hard and easy to synthesize. The FSscore showcases how a human-in-the-loop framework can be utilized to optimize the assessment of synthetic feasibility for various chemical applications.
• Abstract（参考訳）: 分子が合成できるかどうかを決定することは化学的および薬物発見に不可欠であり、デ・ノボの設計タスクにおいて実験的な優先順位付けと分子ランク付けを導く。 既存のスコアリング手法は、新しい化学空間への外挿や、キラリティーのような微妙な相違に基づく識別に失敗するために合成可能性の評価に苦労している。 この研究は、機械学習を用いて相対的な合成の容易さに基づいて構造をランク付けするFocused Synthesizability score~(FSscore)を導入することで、これらの制限に対処する。 まず、幅広い反応物と生成物のペアで訓練されたベースラインが確立され、その後、特定の化学空間に合わせた専門家のフィードバックで洗練される。 この微調整により、これらの化学スコープの性能が向上し、合成が困難で容易な分子間のより正確な分化が可能になる。 FSscoreは、様々な化学応用のための合成実現可能性の評価を最適化するために、どのようにしてヒト・イン・ザ・ループ・フレームワークを利用できるかを示した。

関連論文リスト

• BatGPT-Chem: A Foundation Large Model For Retrosynthesis Prediction [65.93303145891628]
  BatGPT-Chemは150億のパラメータを持つ大規模な言語モデルであり、再合成予測の強化に最適化されている。 我々のモデルは幅広い化学知識を捉え、反応条件の正確な予測を可能にする。 この開発により、化学者は新しい化合物を十分に扱うことができ、医薬品製造と材料科学の革新サイクルを早める可能性がある。
  論文  参考訳（メタデータ） (2024-08-19T05:17:40Z)
• PRESTO: Progressive Pretraining Enhances Synthetic Chemistry Outcomes [33.293741487835824]
  MLLM(Multimodal Large Language Models)は、様々な科学分野において普及している。 しかし、現在のアプローチは化学反応を理解する上での複数の分子グラフ相互作用の重要な役割を無視することが多い。 PRESTOは、事前学習戦略とデータセット構成の包括的なベンチマークを統合することで、分子-テキストのモダリティギャップを橋渡しする新しいフレームワークである。
  論文  参考訳（メタデータ） (2024-06-19T03:59:46Z)
• Leap: molecular synthesisability scoring with intermediates [0.0]
  薬物発見における一般的なアプローチは、合成アクセス可能な中間体を取り巻く化学空間を探索することである。 Leapは予測合成経路の深さ、または長い直線経路に基づいて訓練されたGPT-2モデルである。 本稿では,合成可能な分子の同定において,LeapがAUCスコアの少なくとも5%を越えていることを示す。
  論文  参考訳（メタデータ） (2024-03-14T11:53:35Z)
• ChemVise: Maximizing Out-of-Distribution Chemical Detection with the Novel Application of Zero-Shot Learning [60.02503434201552]
  本研究は,簡単な学習セットから複雑な露光の学習近似を提案する。 合成センサ応答に対するこのアプローチは, 分布外の化学分析物の検出を驚くほど改善することを示した。
  論文  参考訳（メタデータ） (2023-02-09T20:19:57Z)
• Discovery of structure-property relations for molecules via hypothesis-driven active learning over the chemical space [0.0]
  本稿では,仮説学習に基づく化学空間上の能動的学習のための新しいアプローチを提案する。 我々は,データサブセットの小さな部分集合に基づいて,関心の構造と機能の関係性に関する仮説を構築した。 このアプローチでは、SISSOやアクティブラーニングといったシンボリックレグレッションメソッドの要素をひとつのフレームワークに統合する。
  論文  参考訳（メタデータ） (2023-01-06T14:22:43Z)
• Differentiable Scaffolding Tree for Molecular Optimization [47.447362691543304]
  本稿では,離散的な化学構造を局所的な微分可能木に変換するための知識ネットワークを用いた微分可能な足場木(DST)を提案する。 実験により, 勾配に基づく分子最適化は有効であり, 試料効率が高いことが示された。
  論文  参考訳（メタデータ） (2021-09-22T01:16:22Z)
• Federated Learning of Molecular Properties in a Heterogeneous Setting [79.00211946597845]
  これらの課題に対処するために、フェデレーションヘテロジニアス分子学習を導入する。 フェデレートラーニングにより、エンドユーザは、独立したクライアント上に分散されたトレーニングデータを保存しながら、グローバルモデルを協調的に構築できる。 FedChemは、化学におけるAI改善のための新しいタイプのコラボレーションを可能にする必要がある。
  論文  参考訳（メタデータ） (2021-09-15T12:49:13Z)
• Deep Learning for Virtual Screening: Five Reasons to Use ROC Cost Functions [80.12620331438052]
  深層学習は サイリコの何十億もの分子を 迅速にスクリーニングする 重要なツールとなりました その重要性にもかかわらず、厳密なクラス不均衡、高い決定しきい値、いくつかのデータセットにおける基底真理ラベルの欠如など、これらのモデルのトレーニングにおいて重大な課題が続いている。 このような場合、クラス不均衡に対するロバスト性から、レシーバ動作特性(ROC)を直接最適化することを好んで論じる。
  論文  参考訳（メタデータ） (2020-06-25T08:46:37Z)
• Molecular Design in Synthetically Accessible Chemical Space via Deep Reinforcement Learning [0.0]
  既存の生成法は、最適化中に分子特性の分布を好適にシフトできる能力に制限されていると論じる。 本稿では,分子設計のための新しい強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-29T16:29:28Z)
• Learning To Navigate The Synthetically Accessible Chemical Space Using Reinforcement Learning [75.95376096628135]
  ド・ノボ薬物設計のための強化学習(RL)を利用した新しい前方合成フレームワークを提案する。 このセットアップでは、エージェントは巨大な合成可能な化学空間をナビゲートする。 本研究は,合成可能な化学空間を根本的に拡張する上で,エンド・ツー・エンド・トレーニングが重要なパラダイムであることを示す。
  論文  参考訳（メタデータ） (2020-04-26T21:40:03Z)

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。