論文の概要: Structure-Aware E(3)-Invariant Molecular Conformer Aggregation Networks
- arxiv url: http://arxiv.org/abs/2402.01975v1
- Date: Sat, 3 Feb 2024 00:58:41 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-06 23:01:23.998370
- Title: Structure-Aware E(3)-Invariant Molecular Conformer Aggregation Networks
- Title(参考訳): 構造認識型E(3)不変分子コンバータ集約ネットワーク
- Authors: Duy M. H. Nguyen, Nina Lukashina, Tai Nguyen, An T. Le, TrungTin
Nguyen, Nhat Ho, Jan Peters, Daniel Sonntag, Viktor Zaverkin, Mathias Niepert
- Abstract要約: 分子の2D表現は、その原子、その特性、および分子の共有結合からなる。
分子の3D表現はコンバータと呼ばれ、その原子型とカルテシアン座標からなる。
- 参考スコア(独自算出の注目度): 45.257767446894015
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A molecule's 2D representation consists of its atoms, their attributes, and
the molecule's covalent bonds. A 3D (geometric) representation of a molecule is
called a conformer and consists of its atom types and Cartesian coordinates.
Every conformer has a potential energy, and the lower this energy, the more
likely it occurs in nature. Most existing machine learning methods for
molecular property prediction consider either 2D molecular graphs or 3D
conformer structure representations in isolation. Inspired by recent work on
using ensembles of conformers in conjunction with 2D graph representations, we
propose E(3)-invariant molecular conformer aggregation networks. The method
integrates a molecule's 2D representation with that of multiple of its
conformers. Contrary to prior work, we propose a novel 2D--3D aggregation
mechanism based on a differentiable solver for the \emph{Fused
Gromov-Wasserstein Barycenter} problem and the use of an efficient online
conformer generation method based on distance geometry. We show that the
proposed aggregation mechanism is E(3) invariant and provides an efficient GPU
implementation. Moreover, we demonstrate that the aggregation mechanism helps
to outperform state-of-the-art property prediction methods on established
datasets significantly.
- Abstract(参考訳): 分子の2D表現は、その原子、その特性、および分子の共有結合からなる。
分子の3D(幾何学的)表現はコンバータと呼ばれ、その原子型とカルテシアン座標からなる。
すべての共役体はポテンシャルエネルギーを持ち、このエネルギーが低いほど自然界で起こる可能性が高くなる。
分子特性予測のための既存の機械学習手法のほとんどは、2次元分子グラフまたは3次元共役構造表現を分離して考える。
2次元グラフ表現と協調して配座のアンサンブルを用いる最近の研究に触発されて,e(3)不変分子配座アグリゲーションネットワークを提案する。
この方法は分子の2D表現と複数の共役体の表現を統合する。
従来の研究とは対照的に, \emph{Fused Gromov-Wasserstein Barycenter} 問題に対する微分可能解法と距離幾何学に基づく効率的なオンラインコンホメータ生成手法を用いた新しい2D--3Dアグリゲーション機構を提案する。
提案するアグリゲーション機構はE(3)不変であり,効率的なGPU実装を提供する。
さらに,アグリゲーション機構が確立したデータセット上で,最先端のプロパティ予測手法を著しく上回ることを実証する。
関連論文リスト
- Automated 3D Pre-Training for Molecular Property Prediction [54.15788181794094]
新たな3D事前学習フレームワーク(3D PGT)を提案する。
3D分子グラフのモデルを事前訓練し、3D構造のない分子グラフに微調整する。
提案した3次元PGTの精度, 効率, 一般化能力を示すために, 2次元分子グラフの大規模実験を行った。
論文 参考訳(メタデータ) (2023-06-13T14:43:13Z) - A Group Symmetric Stochastic Differential Equation Model for Molecule
Multi-modal Pretraining [36.48602272037559]
分子プレトレーニングは、AIベースの薬物発見のパフォーマンスを高めるために、急速にゴーツースキーマになっている。
本稿では,2次元トポロジーから3次元反射を生成するMoleculeSDEを提案する。
プレトレーニングベースライン17点と比較することにより,32のダウンストリームタスク中26点において,MoleculeSDEが最先端のパフォーマンスを持つ表現表現を学習できることを実証的に検証する。
論文 参考訳(メタデータ) (2023-05-28T15:56:02Z) - 3D Molecular Geometry Analysis with 2D Graphs [79.47097907673877]
分子の基底状態3次元ジオメトリは多くの分子解析タスクに必須である。
現代の量子力学的手法は正確な3次元幾何学を計算できるが、計算は禁じられている。
分子グラフから3次元幾何学を予測するための新しいディープラーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2023-05-01T19:00:46Z) - 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) - MolNet: A Chemically Intuitive Graph Neural Network for Prediction of
Molecular Properties [1.231476564107544]
グラフニューラルネットワーク(GNN)は、化学領域における強力なディープラーニングツールである。
MolNetモデルは化学的に直感的であり、分子内の3D非結合情報を調節する。
MolNetは、BACEデータセットの分類タスクとESOLデータセットの回帰タスクで最先端のパフォーマンスを提供する。
論文 参考訳(メタデータ) (2022-02-01T20:47:28Z) - Learning 3D Representations of Molecular Chirality with Invariance to
Bond Rotations [2.17167311150369]
3次元分子コンバータのねじれ角を処理するSE(3)不変モデルを設計する。
本研究では, 学習空間における異なる立体異性体のコンホメータを識別するコントラスト学習, キラル中心をR/Sに分類する学習, エンテロマーが円偏光でどのように回転するかの予測, タンパクポケット内のドッキングスコアによるエナンチオマーのランキングの4つのベンチマークを用いて実験を行った。
論文 参考訳(メタデータ) (2021-10-08T21:25:47Z) - Molecule3D: A Benchmark for Predicting 3D Geometries from Molecular
Graphs [79.06686274377009]
我々は、約400万分子の正確な基底状態のジオメトリーを持つデータセットを含むMolecule3Dと呼ばれるベンチマークを開発する。
我々は3次元空間における原子と原子の対距離を予測する2つのベースライン法を実装した。
本手法は予測精度に匹敵する精度を達成できるが,計算コストははるかに小さい。
論文 参考訳(メタデータ) (2021-09-30T22:09:28Z) - 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) - Investigating 3D Atomic Environments for Enhanced QSAR [0.0]
分子の生物活性と物理的性質を予測することは、薬物設計における長年の課題である。
ほとんどのアプローチでは、分子の2次元表現に基づく分子記述子を原子と結合のグラフとして使用し、分子の形状を抽象化する。
Smooth Overlap of Atomic Positions (SOAP) を用いた新しいアライメントフリー3次元QSAR法について述べる。
論文 参考訳(メタデータ) (2020-10-24T10:04:48Z)
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。