論文の概要: Inverse Molecular Design with Multi-Conditional Diffusion Guidance

• arxiv url: http://arxiv.org/abs/2401.13858v1
• Date: Wed, 24 Jan 2024 23:45:31 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-26 16:13:40.905423
• Title: Inverse Molecular Design with Multi-Conditional Diffusion Guidance
• Title（参考訳）: 多条件拡散誘導による逆分子設計
• Authors: Gang Liu, Jiaxin Xu, Tengfei Luo, Meng Jiang
• Abstract要約: マルチ条件拡散誘導を導入する。 Transformerベースのデノナイジングモデルは、数値的およびカテゴリー的条件の表現を学習する条件エンコーダを備えている。 我々は多条件ポリマーと小分子生成モデルについて広範囲に検証した。
• 参考スコア（独自算出の注目度）: 18.116751654677905
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Inverse molecular design with diffusion models holds great potential for advancements in material and drug discovery. Despite success in unconditional molecule generation, integrating multiple properties such as synthetic score and gas permeability as condition constraints into diffusion models remains unexplored. We introduce multi-conditional diffusion guidance. The proposed Transformer-based denoising model has a condition encoder that learns the representations of numerical and categorical conditions. The denoising model, consisting of a structure encoder-decoder, is trained for denoising under the representation of conditions. The diffusion process becomes graph-dependent to accurately estimate graph-related noise in molecules, unlike the previous models that focus solely on the marginal distributions of atoms or bonds. We extensively validate our model for multi-conditional polymer and small molecule generation. Results demonstrate our superiority across metrics from distribution learning to condition control for molecular properties. An inverse polymer design task for gas separation with feedback from domain experts further demonstrates its practical utility.
• Abstract（参考訳）: 拡散モデルを用いた逆分子設計は、物質や薬物発見の進歩に大きな可能性を秘めている。 無条件分子生成の成功にもかかわらず、条件制約として合成スコアや気体透過性といった複数の性質を拡散モデルに組み込むことは未解明のままである。 マルチ条件拡散誘導を導入する。 提案手法は,数値的およびカテゴリー的条件の表現を学習する条件エンコーダを有する。 構造エンコーダ・デコーダからなるデノージングモデルは、条件の表現の下でデノージングするように訓練される。 拡散過程は、原子や結合の限界分布のみに焦点を当てた以前のモデルとは異なり、分子のグラフ関連ノイズを正確に推定するためにグラフ依存となる。 我々は,多条件ポリマーと小分子生成のモデルを広範囲に検証した。 その結果, 分布学習から分子特性の条件制御まで, 測定値にまたがる優越性が示された。 ドメインエキスパートからのフィードバックによるガス分離のための逆ポリマー設計タスクは、その実用性をさらに実証する。

関連論文リスト

• Advancing Graph Generation through Beta Diffusion [49.49740940068255]
  Graph Beta Diffusion (GBD)は、グラフデータの多様な性質を扱うために特別に設計された生成モデルである。 本稿では, 臨界グラフトポロジを安定化させることにより, 生成グラフの現実性を高める変調手法を提案する。
  論文  参考訳（メタデータ） (2024-06-13T17:42:57Z)
• Advective Diffusion Transformers for Topological Generalization in Graph Learning [69.2894350228753]
  グラフ拡散方程式は、様々なグラフトポロジーの存在下で、どのように外挿して一般化するかを示す。 本稿では,新たなグラフエンコーダのバックボーンであるAdvective Diffusion Transformer (ADiT)を提案する。
  論文  参考訳（メタデータ） (2023-10-10T08:40:47Z)
• Learning Joint 2D & 3D Diffusion Models for Complete Molecule Generation [32.66694406638287]
  本研究では, 原子型, 正式な電荷, 結合情報, および3次元座標を持つ分子を生成する結合2Dおよび3D拡散モデル(JODO)を提案する。 我々のモデルは、単一または複数の量子特性をターゲットにした逆分子設計のために拡張することもできる。
  論文  参考訳（メタデータ） (2023-05-21T04:49:53Z)
• MUDiff: Unified Diffusion for Complete Molecule Generation [104.7021929437504]
  本稿では,原子の特徴,2次元離散分子構造,および3次元連続分子座標を含む分子の包括的表現を生成する新しいモデルを提案する。 拡散過程を認知するための新しいグラフトランスフォーマーアーキテクチャを提案する。 我々のモデルは、安定で多様な分子を設計するための有望なアプローチであり、分子モデリングの幅広いタスクに適用できる。
  論文  参考訳（メタデータ） (2023-04-28T04:25:57Z)
• Graph Generation with Diffusion Mixture [57.78958552860948]
  グラフの生成は、非ユークリッド構造の複雑な性質を理解する必要がある実世界のタスクにとって大きな課題である。 本稿では,拡散過程の最終グラフ構造を明示的に学習することにより,グラフのトポロジーをモデル化する生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-07T17:07:46Z)
• Conditional Diffusion Based on Discrete Graph Structures for Molecular Graph Generation [32.66694406638287]
  分子グラフ生成のための離散グラフ構造(CDGS)に基づく条件拡散モデルを提案する。 具体的には、微分方程式(SDE)を用いて、グラフ構造と固有の特徴の両方に対して前方グラフ拡散過程を構築する。 本稿では,中間グラフ状態からグローバルコンテキストと局所ノードエッジ依存性を抽出する,特殊なハイブリッドグラフノイズ予測モデルを提案する。
  論文  参考訳（メタデータ） (2023-01-01T15:24:15Z)
• DiGress: Discrete Denoising diffusion for graph generation [79.13904438217592]
  DiGressは、分類ノードとエッジ属性を持つグラフを生成するための離散化拡散モデルである。 分子と非分子のデータセットで最先端のパフォーマンスを実現し、最大3倍の妥当性が向上する。 また、1.3Mの薬物様分子を含む大規模なGuacaMolデータセットにスケールする最初のモデルでもある。
  論文  参考訳（メタデータ） (2022-09-29T12:55:03Z)
• 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)
• Interpretable Molecular Graph Generation via Monotonic Constraints [19.401468196146336]
  ディープグラフ生成モデルは、分子設計をグラフ生成問題として扱う。 既存のモデルには多くの欠点があり、解釈性や所望の分子特性に対する制御性が低い。 本稿では,分子生成の解釈可能なモデルと深層制御可能なモデルを用いた新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-02-28T08:35:56Z)
• Learning Attributed Graph Representations with Communicative Message Passing Transformer [3.812358821429274]
  分子グラフ表現を改善するために,コミュニケーティブメッセージパッシングトランス (CoMPT) ニューラルネットワークを提案する。 分子を完全連結グラフとして扱う従来のトランスフォーマースタイルのGNNとは異なり、グラフ接続帰納バイアスを利用するメッセージ拡散機構を導入する。
  論文  参考訳（メタデータ） (2021-07-19T11:58:32Z)
• A Graph VAE and Graph Transformer Approach to Generating Molecular Graphs [1.6631602844999724]
  グラフ畳み込み層とグラフプーリング層をフル活用した変分オートエンコーダとトランスベースモデルを提案する。 トランスモデルは新しいノードエンコーディング層を実装し、一般的にトランスフォーマーで使用される位置エンコーディングを置き換え、グラフ上で動く位置情報を持たないトランスフォーマーを生成する。 実験では、生成ノードとエッジの両方の重要性を考慮して、分子生成のベンチマークタスクを選択しました。
  論文  参考訳（メタデータ） (2021-04-09T13:13:06Z)

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。