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
- 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) - 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) - 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 new Reinforcement Learning framework to discover natural flavor
molecules [0.0]
本研究は,フレーバー工学と産業の新たな課題に取り組むための,Scientific Machine Learningに基づく新しいフレームワークを提案する。
これらの分子は、合成アクセシビリティ、原子の数、自然または擬似自然生成物への類似性について評価される。
論文 参考訳(メタデータ) (2022-09-13T10:12:45Z) - Retrieval-based Controllable Molecule Generation [63.44583084888342]
制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。
我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。
提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
論文 参考訳(メタデータ) (2022-08-23T17:01:16Z) - A biologically-inspired evaluation of molecular generative machine
learning [17.623886600638716]
分子生成モデル評価のためのバイオインスパイアされた新しいベンチマークを提案する。
本稿では, 創出出力評価のための相補的手法として, レクリエーション指標, 薬物-標的親和性予測, 分子ドッキングを提案する。
論文 参考訳(メタデータ) (2022-08-20T11:01:10Z) - Graph-based Molecular Representation Learning [59.06193431883431]
分子表現学習(MRL)は、機械学習と化学科学を結びつけるための重要なステップである。
近年、MRLは、特に深層分子グラフ学習に基づく手法において、かなりの進歩を遂げている。
論文 参考訳(メタデータ) (2022-07-08T17:43:20Z) - 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) - Unassisted Noise Reduction of Chemical Reaction Data Sets [59.127921057012564]
本稿では,データセットから化学的に間違ったエントリを除去するための,機械学習に基づく無支援アプローチを提案する。
その結果,クリーン化およびバランスの取れたデータセットでトレーニングしたモデルの予測精度が向上した。
論文 参考訳(メタデータ) (2021-02-02T09:34:34Z) - ChemoVerse: Manifold traversal of latent spaces for novel molecule
discovery [0.7742297876120561]
所望の化学的性質を持つ分子構造を同定することが不可欠である。
ニューラルネットワークと機械学習を用いた生成モデルの最近の進歩は、薬物のような化合物の仮想ライブラリの設計に広く利用されている。
論文 参考訳(メタデータ) (2020-09-29T12:11:40Z) - The Synthesizability of Molecules Proposed by Generative Models [3.032184156362992]
機能性分子の発見は高価で時間を要するプロセスである。
初期の薬物発見への関心が高まる技術のひとつに、デ・ノボの分子生成と最適化がある。
これらの手法は、多目的関数の最大化を目的とした新しい分子構造を示唆することができる。
しかし、これらのアプローチの実用性は、合成可能性の無知によって汚される。
論文 参考訳(メタデータ) (2020-02-17T15:41:28Z)
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。