Fugu-MT 論文翻訳(概要): Graph Multi-Similarity Learning for Molecular Property Prediction

論文の概要: Graph Multi-Similarity Learning for Molecular Property Prediction

arxiv url: http://arxiv.org/abs/2401.17615v1
Date: Wed, 31 Jan 2024 05:59:38 GMT
ステータス: 処理完了
システム内更新日: 2024-02-01 15:26:10.278736
Title: Graph Multi-Similarity Learning for Molecular Property Prediction
Title（参考訳）: グラフ多相性学習による分子特性予測
Authors: Hao Xu, Zhengyang Zhou, Pengyu Hong
Abstract要約: 分子特性予測のためのグラフ多相性学習(GraphMSL)フレームワークを提案する。 GraphMSLは、一般化された多相性計量を連続的なスケールに組み込み、自己相似性と相対的な類似性をキャプチャする。様々な下流タスクによる薬物発見評価や学習者表現のポストホック分析に有効である。
参考スコア（独自算出の注目度）: 13.214794693837785
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Effective molecular representation learning is essential for molecular property prediction. Contrastive learning, a prominent self-supervised approach for molecular representation learning, relies on establishing positive and negative pairs. However, this binary similarity categorization oversimplifies the nature of complex molecular relationships and overlooks the degree of relative similarities among molecules, posing challenges to the effectiveness and generality of representation learning. In response to this challenge, we propose the Graph Multi-Similarity Learning for Molecular Property Prediction (GraphMSL) framework. GraphMSL incorporates a generalized multi-similarity metric in a continuous scale, capturing self-similarity and relative similarities. The unimodal multi-similarity metrics are derived from various chemical modalities, and the fusion of these metrics into a multimodal form significantly enhances the effectiveness of GraphMSL. In addition, the flexibility of fusion function can reshape the focus of the model to convey different chemical semantics. GraphMSL proves effective in drug discovery evaluations through various downstream tasks and post-hoc analysis of learnt representations. Its notable performance suggests significant potential for the exploration of new drug candidates.
Abstract（参考訳）: 効果的な分子表現学習は分子特性予測に不可欠である。コントラスト学習(Contrastive Learning)は、分子表現学習において、正対と負対の確立に頼っている。しかし、この二項類似性分類は複雑な分子関係の性質を単純化し、分子間の相対類似性の度合いを見落とし、表現学習の有効性と一般性に挑戦する。この課題に対応するために、我々はGraph Multi-Similarity Learning for Molecular Property Prediction (GraphMSL)フレームワークを提案する。 GraphMSLは、一般化された多相性計量を連続的な尺度に組み込み、自己相似性と相対的な類似性を捉える。単調な多相性指標は様々な化学モーダル性から導出され、これらの指標を多モーダル形式に融合することでグラフMSLの有効性が著しく向上する。さらに、融合関数の柔軟性は、異なる化学意味論を伝えるためにモデルの焦点を再構成することができる。 GraphMSLは、様々な下流タスクによる薬物発見評価と学習表現のポストホック分析に有効である。その顕著な業績は、新しい薬物候補の探索に重要な可能性を示唆している。

関連論文リスト

Multi-Modal Representation Learning for Molecular Property Prediction: Sequence, Graph, Geometry [6.049566024728809]
深層学習に基づく分子特性予測は、従来の手法の資源集約性に対する解決策として登場した。本稿では,分子特性予測のための新しいマルチモーダル表現学習モデルSGGRLを提案する。モダリティ間の整合性を確保するため、SGGRLは異なる分子の類似性を最小化しながら同じ分子の表現の類似性を最大化するように訓練される。
論文参考訳（メタデータ） (2024-01-07T02:18:00Z)
SE(3)-Invariant Multiparameter Persistent Homology for Chiral-Sensitive Molecular Property Prediction [1.534667887016089]
多パラメータ持続ホモロジー(MPPH)を用いた新しい分子指紋生成法を提案する。この技術は、正確な分子特性予測が不可欠である薬物発見と材料科学において、かなりの重要性を持っている。分子特性の予測における既存の最先端手法よりも優れた性能を示し,MoleculeNetベンチマークで広範囲な評価を行った。
論文参考訳（メタデータ） (2023-12-12T09:33:54Z)
Atom-Motif Contrastive Transformer for Molecular Property Prediction [68.85399466928976]
グラフトランス (GT) モデルは分子特性予測 (MPP) のタスクで広く利用されている。本稿では,原子レベルの相互作用を探索し,モチーフレベルの相互作用を考慮した新しいAtom-Motif Contrastive Transformer(AMCT)を提案する。提案したAMCTは,7つの一般的なベンチマークデータセットに対して広範囲に評価され,定量的および定性的な結果の両方が有効であることを示す。
論文参考訳（メタデータ） (2023-10-11T10:03:10Z)
Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [55.42602325017405]
本稿では,分子の2レベル構造を考慮した新しいGODE法を提案する。異なるグラフ構造上で2つのグラフニューラルネットワーク(GNN)を事前訓練し、対照的な学習と組み合わせることで、GODEは分子構造を対応する知識グラフサブ構造と融合させる。 11の化学特性タスクを微調整した場合、我々のモデルは既存のベンチマークよりも優れており、分類タスクの平均ROC-AUCアップリフトは13.8%、回帰タスクの平均RMSE/MAEエンハンスメントは35.1%である。
論文参考訳（メタデータ） (2023-06-02T15:49:45Z)
Atomic and Subgraph-aware Bilateral Aggregation for Molecular Representation Learning [57.670845619155195]
我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。 ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
論文参考訳（メタデータ） (2023-05-22T00:56:00Z)
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)
Property-aware Adaptive Relation Networks for Molecular Property Prediction [34.13439007658925]
分子特性予測問題に対する特性認識適応関係ネットワーク(PAR)を提案する。我々のPARは、既存のグラフベースの分子エンコーダと互換性があり、プロパティ対応分子埋め込みとモデル分子関係グラフを得る能力も備えている。
論文参考訳（メタデータ） (2021-07-16T16:22:30Z)
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)
MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [51.00815310242277]
生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
論文参考訳（メタデータ） (2020-10-05T20:18:42Z)

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。