論文の概要: Structure-Aware E(3)-Invariant Molecular Conformer Aggregation Networks

• arxiv url: http://arxiv.org/abs/2402.01975v2
• Date: Mon, 10 Jun 2024 12:43:11 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-12 03:49:29.591277
• 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）: 43.80038907470173
• 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 $\mathrm{E}$(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 conformer generation method based on distance geometry. We show that the proposed aggregation mechanism is $\mathrm{E}$(3) invariant and propose an efficient GPU implementation. Moreover, we demonstrate that the aggregation mechanism helps to significantly outperform state-of-the-art molecule property prediction methods on established datasets.
• 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多くは、2次元分子グラフまたは3次元コンフォメータ構造表現を独立に考慮している。 2次元グラフ表現とともにコンホメータのアンサンブルを用いた最近の研究に触発され、$\mathrm{E}$(3)-invariant molecular conformer aggregate networkを提案する。 この方法は分子の2D表現と複数のコンフォメータの表現を統合する。 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に基づく新しい2D-3Dアグリゲーション機構と, 距離幾何学に基づく効率的なコンホメータ生成手法を提案する。 提案するアグリゲーション機構は$\mathrm{E}$(3)不変であり,効率的なGPU実装を提案する。 さらに, このアグリゲーション機構は, 確立したデータセット上での最先端分子特性予測手法を著しく上回ることを示す。

関連論文リスト

• Geometry Informed Tokenization of Molecules for Language Model Generation [85.80491667588923]
  言語モデル(LM)を用いた三次元空間における分子生成の検討 分子グラフのトークン化は存在するが、3次元幾何学では、ほとんど探索されていない。 分子幾何学を$SE(3)$-invariant 1D離散配列に変換するGeo2Seqを提案する。
  論文  参考訳（メタデータ） (2024-08-19T16:09:59Z)
• Pre-training of Molecular GNNs via Conditional Boltzmann Generator [0.0]
  分子配座のデータセットを用いた分子GNNの事前学習法を提案する。 本モデルは,既存の事前学習法よりも分子特性の予測性能がよいことを示す。
  論文  参考訳（メタデータ） (2023-12-20T15:30:15Z)
• 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)
• 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)
• DiffBP: Generative Diffusion of 3D Molecules for Target Protein Binding [51.970607704953096]
  従来の研究は通常、原子の要素タイプと3次元座標を1つずつ生成する自己回帰的な方法で原子を生成する。 現実世界の分子系では、分子全体の原子間の相互作用が大域的であり、原子間のエネルギー関数が結合する。 本研究では、標的タンパク質に基づく分子3次元構造の生成拡散モデルを構築し、非自己回帰的に全原子レベルで構築する。
  論文  参考訳（メタデータ） (2022-11-21T07:02:15Z)
• 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)
• 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)
• Learning a Continuous Representation of 3D Molecular Structures with Deep Generative Models [0.0]
  生成モデルは、連続的な潜伏空間における分子の表現と最適化を学ぶ全く異なるアプローチである。 原子密度格子を用いた三次元分子構造の深部生成モデルについて述べる。 また、与えられた入力化合物に基づいて多様な分子の集合をサンプリングすることで、有効な薬物様分子の創出の可能性を高めることができる。
  論文  参考訳（メタデータ） (2020-10-17T01:15:47Z)

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。