論文の概要: Diffusion-Driven Generative Framework for Molecular Conformation Prediction

• arxiv url: http://arxiv.org/abs/2401.09451v1
• Date: Fri, 22 Dec 2023 11:49:39 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-22 09:28:26.804197
• Title: Diffusion-Driven Generative Framework for Molecular Conformation Prediction
• Title（参考訳）: 分子コンフォメーション予測のための拡散駆動生成枠組み
• Authors: Bobin Yang, Zhenghan Chen
• Abstract要約: 二次元グラフ表現から3次元分子配置を推定することは、計算化学の領域や医薬品の開発において重要な意味を持つ。 この研究は、古典的非平衡熱力学で見られる拡散原理に基づくアバンギャルド生成の枠組みを紹介している。
• 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 task of inferring three-dimensional molecular configurations from their two-dimensional graph representations is of critical significance in the domains of computational chemistry and the development of pharmaceuticals. It contributes fundamentally to our grasp of molecular mechanisms and interactions. The rapid evolution of machine learning, especially in the realm of deep generative networks, has catalyzed breakthroughs in the precision of such predictive modeling. Traditional methodologies typically employ a bifurcated strategy: initially estimating interatomic distances followed by sculpting the spatial molecular structure via solving a distance geometry problem. This sequential approach, however, occasionally fails to capture the intricacies of local atomic arrangements accurately, thus compromising the integrity of the resultant structural models. Addressing these deficiencies, this work introduces an avant-garde generative framework: \method{}, which is predicated on the diffusion principles found in classical non-equilibrium thermodynamics. \method{} envisages atoms as discrete entities and is adept at guiding the reversal of diffusion morphing a distribution of stochastic noise back into coherent molecular forms through a process akin to a Markov chain. This transformation begins with the initial representation of a molecular graph in an abstract latent space, progressing to the realization of the three-dimensional forms via an elaborate bilevel optimization scheme, tailored to respect the task's specific requirements.
• Abstract（参考訳）: 二次元グラフ表現から3次元分子配置を推測するタスクは、計算化学の領域と医薬品の開発において重要な意味を持つ。 これは分子機構と相互作用の理解に根本的に寄与する。 機械学習の急速な進化、特に深層生成ネットワークの領域では、そのような予測モデリングの精度が飛躍的に向上した。 従来の方法論では、最初は原子間距離を推定した後、距離幾何学の問題を解くことによって空間分子構造を彫刻する。 しかし、この逐次的アプローチは時折、局所原子配列の複雑さを正確に捉えることに失敗し、結果として生じる構造モデルの完全性を損なう。 これらの欠陥に対処するため、この研究は古典的非平衡熱力学で見られる拡散原理に基づくアバンギャルド生成フレームワークである 'method{} を導入する。 \method{} は原子を離散的な実体として定義し、マルコフ鎖に似た過程を通じて確率的ノイズの分布をコヒーレントな分子形式に戻す拡散の反転を導く。 この変換は、抽象潜在空間における分子グラフの初期表現から始まり、タスクの特定の要求を尊重するように調整された精巧な双レベル最適化スキームを通じて3次元形式の実現へと進む。

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)
• AUTODIFF: Autoregressive Diffusion Modeling for Structure-based Drug Design [16.946648071157618]
  構造に基づく薬物設計のための拡散型フラグメントワイド自己回帰生成モデル(SBDD)を提案する。 我々はまず,分子の局所構造の整合性を保持する共形モチーフという新しい分子組立戦略を設計する。 次に、タンパク質-リガンド複合体とSE(3)等価な畳み込みネットワークとの相互作用をエンコードし、拡散モデルを用いて分子モチーフ・バイ・モチーフを生成する。
  論文  参考訳（メタデータ） (2024-04-02T14:44:02Z)
• 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)
• 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)
• Modeling Molecular Structures with Intrinsic Diffusion Models [2.487445341407889]
  本論文は本質的拡散モデリングを提案する。 拡散生成モデルと生物学的複合体の柔軟性に関する科学的知識を組み合わせる。 計算化学と生物学に基づく2つの基本的な課題に対して,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-02-23T03:26:48Z)
• A Score-based Geometric Model for Molecular Dynamics Simulations [33.158796937777886]
  分子配座のログ密度の勾配を推定する新しいモデルScoreMDを提案する。 複数のアーキテクチャの改善により、MD17とC7O2H10の異性体において最先端のベースラインよりも優れています。 この研究は、新しい物質の加速と薬物発見に関する新たな洞察を提供する。
  論文  参考訳（メタデータ） (2022-04-19T05:13:46Z)
• GeoDiff: a Geometric Diffusion Model for Molecular Conformation Generation [102.85440102147267]
  分子配座予測のための新しい生成モデルGeoDiffを提案する。 GeoDiffは、既存の最先端のアプローチよりも優れているか、あるいは同等であることを示す。
  論文  参考訳（メタデータ） (2022-03-06T09:47:01Z)
• GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
  分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。 既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。 エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
  論文  参考訳（メタデータ） (2021-06-08T14:17:59Z)
• An End-to-End Framework for Molecular Conformation Generation via Bilevel Programming [71.82571553927619]
  分子コンフォメーション予測のためのエンドツーエンドソリューションであるconfvaeを提案する。 具体的には、まず分子グラフを潜時空間に符号化し、3次元構造は原理化された二段階最適化プログラムを解くことによって生成される。
  論文  参考訳（メタデータ） (2021-05-15T15:22:29Z)
• Learning Neural Generative Dynamics for Molecular Conformation Generation [89.03173504444415]
  分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。 分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-02-20T03:17:58Z)

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。