Fugu-MT 論文翻訳(概要): Olfactory Label Prediction on aroma-chemical Pairs

論文の概要: Olfactory Label Prediction on aroma-chemical Pairs

arxiv url: http://arxiv.org/abs/2312.16124v1
Date: Tue, 26 Dec 2023 17:18:09 GMT
ステータス: 処理完了
システム内更新日: 2023-12-27 14:46:35.295775
Title: Olfactory Label Prediction on aroma-chemical Pairs
Title（参考訳）: 芳香族ケミカルペアの嗅覚ラベル予測
Authors: Laura Sisson
Abstract要約: 本稿では,アロマ化学のブレンドによる非線形品質の正確な予測を行うことができるモデルを提案する。本稿では、ラベル付き分子対からなるデータセットに対して、既存のアプローチと新しいアプローチの両方を適用する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The application of deep learning techniques on aroma-chemicals has resulted in models more accurate than human experts at predicting olfactory qualities. However, public research in this domain has been limited to predicting the qualities of single molecules, whereas in industry applications, perfumers and food scientists are often concerned with blends of many odorants. In this paper, we apply both existing and novel approaches to a dataset we gathered consisting of labeled pairs of molecules. We present a publicly available model capable of generating accurate predictions for the non-linear qualities arising from blends of aroma-chemicals.
Abstract（参考訳）: 深層学習技術のアロマ化学への応用により、嗅覚の質を予測するモデルが人間の専門家より正確になった。しかし、この領域での公衆の研究は単一分子の品質を予測することに限られており、産業用途では香水と食品科学者が多くの臭気の混合物に関心を持つことが多い。本稿では、ラベル付き分子対からなるデータセットに対して、既存のアプローチと新しいアプローチの両方を適用する。本稿では,アロマケミカルのブレンドによる非線形品質の正確な予測を行うことのできる公開モデルを提案する。

関連論文リスト

Knowledge-aware contrastive heterogeneous molecular graph learning [77.94721384862699]
分子グラフを不均一な分子グラフ学習(KCHML)に符号化するパラダイムシフトを提案する。 KCHMLは、不均一な分子グラフと二重メッセージパッシング機構によって強化された3つの異なるグラフビュー-分子、元素、薬理学-を通して分子を概念化する。この設計は、プロパティ予測やドラッグ・ドラッグ・インタラクション(DDI)予測などの下流タスクに対する包括的な表現を提供する。
論文参考訳（メタデータ） (2025-02-17T11:53:58Z)
Diffusion Models for Molecules: A Survey of Methods and Tasks [56.44565051667812]
分子に関する生成タスクは、薬物の発見と材料設計に不可欠である。拡散モデルは、深い生成モデルの印象的なクラスとして現れている。本稿では拡散モデルに基づく分子生成法について包括的に調査する。
論文参考訳（メタデータ） (2025-02-13T17:22:50Z)
Navigating the Fragrance space Via Graph Generative Models And Predicting Odors [0.2749898166276853]
我々は、匂いの複雑な景観とより広い化学空間を効率的にナビゲートし、探索するために、生成的モデリング技術一式を探索する。従来のアプローチとは異なり、分子を生成するだけでなく、OC AUCスコア0.97で匂いの類似性を予測し、匂いのラベルを割り当てる。
論文参考訳（メタデータ） (2025-01-30T22:00:23Z)
From Molecules to Mixtures: Learning Representations of Olfactory Mixture Similarity using Inductive Biases [0.18846515534317265]
ヒトの嗅覚として分子がどのように認識されるかという嗅覚は、いまだに理解されていない。近年, 単一化合物の嗅覚特性をデジタル化するため, 主臭気マップ (POM) が導入された。本稿では、混合を表現するためにPOMの拡張であるPOMMixを紹介する。
論文参考訳（メタデータ） (2025-01-27T18:05:28Z)
MoleculeCLA: Rethinking Molecular Benchmark via Computational Ligand-Target Binding Analysis [18.940529282539842]
約140,000個の小分子からなる大規模かつ高精度な分子表現データセットを構築した。我々のデータセットは、モデルの開発と設計をガイドするために、重要な物理化学的解釈性を提供します。このデータセットは、分子表現学習のためのより正確で信頼性の高いベンチマークとして機能すると考えています。
論文参考訳（メタデータ） (2024-06-13T02:50:23Z)
Molecule Generation and Optimization for Efficient Fragrance Creation [0.0]
この研究は、嗅覚体験を再現する機械学習中心のアプローチを導入する。主な貢献は、香水分子構造と人間の嗅覚を結合するハイブリッドモデルである。この方法論は、利用可能な実験データを用いて、2つの異なる嗅覚経験を再現することによって検証される。
論文参考訳（メタデータ） (2024-02-19T13:32:30Z)
Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [68.32093648671496]
分子に固有の二重レベル構造を考慮に入れたGODEを導入する。分子は固有のグラフ構造を持ち、より広い分子知識グラフ内のノードとして機能する。異なるグラフ構造上の2つのGNNを事前学習することにより、GODEは対応する知識グラフサブ構造と分子構造を効果的に融合させる。
論文参考訳（メタデータ） (2023-06-02T15:49:45Z)
Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
論文参考訳（メタデータ） (2023-02-04T01:32:40Z)
A Molecular Multimodal Foundation Model Associating Molecule Graphs with Natural Language [63.60376252491507]
本稿では,分子グラフとその意味的関連テキストデータから事前学習した分子マルチモーダル基礎モデルを提案する。我々のモデルは、生物学、化学、材料、環境、医学などの分野において、AIを動力とする分野に幅広い影響を与えるだろうと考えています。
論文参考訳（メタデータ） (2022-09-12T00:56:57Z)
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)
Flexible dual-branched message passing neural network for quantum mechanical property prediction with molecular conformation [16.08677447593939]
メッセージパッシングフレームワークに基づく分子特性予測のための二重分岐ニューラルネットワークを提案する。本モデルでは,様々なスケールで異種分子の特徴を学習し,予測対象に応じて柔軟に学習する。
論文参考訳（メタデータ） (2021-06-14T10:00:39Z)

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。