Fugu-MT 論文翻訳(概要): Zero Shot Molecular Generation via Similarity Kernels

論文の概要: Zero Shot Molecular Generation via Similarity Kernels

arxiv url: http://arxiv.org/abs/2402.08708v1
Date: Tue, 13 Feb 2024 17:53:44 GMT
ステータス: 処理完了
システム内更新日: 2024-02-15 18:07:34.890083
Title: Zero Shot Molecular Generation via Similarity Kernels
Title（参考訳）: 類似性核によるゼロショット分子生成
Authors: Rokas Elijo\v{s}ius, Fabian Zills, Ilyes Batatia, Sam Walton Norwood, D\'avid P\'eter Kov\'acs, Christian Holm and G\'abor Cs\'anyi
Abstract要約: ゼロショット分子生成の新しい手法である類似性に基づく分子生成(SiMGen)を提案する。 SiMGenは時間依存の類似性カーネルと事前訓練された機械学習力場からの記述子を組み合わせて分子を生成する。また、ユーザがSiMGenで構造をオンラインで生成できるインタラクティブなWebツールもリリースしました。
参考スコア（独自算出の注目度）: 0.6597195879147557
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Generative modelling aims to accelerate the discovery of novel chemicals by directly proposing structures with desirable properties. Recently, score-based, or diffusion, generative models have significantly outperformed previous approaches. Key to their success is the close relationship between the score and physical force, allowing the use of powerful equivariant neural networks. However, the behaviour of the learnt score is not yet well understood. Here, we analyse the score by training an energy-based diffusion model for molecular generation. We find that during the generation the score resembles a restorative potential initially and a quantum-mechanical force at the end. In between the two endpoints, it exhibits special properties that enable the building of large molecules. Using insights from the trained model, we present Similarity-based Molecular Generation (SiMGen), a new method for zero shot molecular generation. SiMGen combines a time-dependent similarity kernel with descriptors from a pretrained machine learning force field to generate molecules without any further training. Our approach allows full control over the molecular shape through point cloud priors and supports conditional generation. We also release an interactive web tool that allows users to generate structures with SiMGen online (https://zndraw.icp.uni-stuttgart.de).
Abstract（参考訳）: 生成モデリングは、望ましい性質を持つ構造を直接提案することで、新しい化学物質の発見を加速することを目的としている。近年, スコアベース, 拡散, 生成モデルは, 従来の手法よりも大幅に向上している。彼らの成功の鍵は、スコアと物理的な力の密接な関係であり、強力な同変ニューラルネットワークの使用を可能にする。しかし、学習者の行動はまだよく理解されていない。本稿では,分子生成のためのエネルギーベースの拡散モデルを訓練することによりスコアを解析する。生成過程において、スコアは当初の復元ポテンシャルに似ており、最後に量子力学的力が現れる。 2つのエンドポイントの間には、大きな分子の構築を可能にする特別な特性を示す。実験モデルから得られた知見を用いて、ゼロショット分子生成の新しい手法である類似性に基づく分子生成(SiMGen)を提案する。 SiMGenは、時間依存の類似性カーネルと事前訓練された機械学習力場からの記述子を組み合わせて、それ以上の訓練をせずに分子を生成する。提案手法は, 点雲先行による分子形状を完全に制御し, 条件生成を支援する。また、ユーザーがsimgen online(https://zndraw.icp.uni-stuttgart.de)で構造を生成できるインタラクティブなwebツールもリリースしています。

関連論文リスト

BindGPT: A Scalable Framework for 3D Molecular Design via Language Modeling and Reinforcement Learning [11.862370962277938]
本稿では,タンパク質結合部位内で3D分子を生成するために,概念的にシンプルだが強力なアプローチを用いた新規な生成モデルBindGPTを提案する。このような単純な概念的アプローチと事前学習とスケーリングが組み合わさって、現在の最高の特殊拡散モデルよりも同等以上の性能を発揮することを示す。
論文参考訳（メタデータ） (2024-06-06T02:10:50Z)
Molecule Design by Latent Space Energy-Based Modeling and Gradual Distribution Shifting [53.44684898432997]
化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
論文参考訳（メタデータ） (2023-06-09T03:04:21Z)
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)
MolCPT: Molecule Continuous Prompt Tuning to Generalize Molecular Representation Learning [77.31492888819935]
分子表現学習のための「プリトレイン,プロンプト,ファインチューン」という新しいパラダイム,分子連続プロンプトチューニング(MolCPT)を提案する。 MolCPTは、事前訓練されたモデルを使用して、スタンドアロンの入力を表現的なプロンプトに投影するモチーフプロンプト関数を定義する。いくつかのベンチマークデータセットの実験により、MollCPTは分子特性予測のために学習済みのGNNを効率的に一般化することが示された。
論文参考訳（メタデータ） (2022-12-20T19:32:30Z)
Retrieval-based Controllable Molecule Generation [63.44583084888342]
制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
論文参考訳（メタデータ） (2022-08-23T17:01:16Z)
Exploring Chemical Space with Score-based Out-of-distribution Generation [57.15855198512551]
生成微分方程式(SDE)にアウト・オブ・ディストリビューション制御を組み込んだスコアベース拡散方式を提案する。いくつかの新しい分子は現実世界の薬物の基本的な要件を満たしていないため、MOODは特性予測器からの勾配を利用して条件付き生成を行う。我々はMOODがトレーニング分布を超えて化学空間を探索できることを実験的に検証し、既存の方法で見いだされた分子、そして元のトレーニングプールの上位0.01%までも生成できることを実証した。
論文参考訳（メタデータ） (2022-06-06T06:17:11Z)
Torsional Diffusion for Molecular Conformer Generation [28.225704750892795]
ねじれ拡散は、ねじれ角の空間で動作する新しい拡散フレームワークである。薬物様分子の標準ベンチマークでは、ねじり拡散は優れたコンフォメーラーアンサンブルを生成する。我々のモデルは、最初の一般化可能なボルツマン生成器を構築するために使われる正確な確率を与える。
論文参考訳（メタデータ） (2022-06-01T04:30:41Z)
Generative Enriched Sequential Learning (ESL) Approach for Molecular Design via Augmented Domain Knowledge [1.4410716345002657]
生成機械学習技術は、分子指紋表現に基づく新しい化学構造を生成することができる。教師付きドメイン知識の欠如は、学習手順がトレーニングデータに見られる一般的な分子に相対的に偏っていることを誤解させる可能性がある。この欠点は、例えば薬物類似度スコア(QED)の定量的推定など、ドメイン知識でトレーニングデータを増強することで軽減した。
論文参考訳（メタデータ） (2022-04-05T20:16:11Z)
Fragment-based molecular generative model with high generalization ability and synthetic accessibility [0.0]
本稿では, ターゲット特性を持つ新規分子を設計するフラグメントに基づく分子生成モデルを提案する。我々のモデルの重要な特徴は、プロパティ制御とフラグメントタイプの観点からの高度な一般化能力である。モデルでは,複数のターゲット特性を同時に制御した分子を高い成功率で生成できることを示す。
論文参考訳（メタデータ） (2021-11-25T04:44:37Z)
Relative Molecule Self-Attention Transformer [4.020171169198032]
Relative Molecule Attention Transformer (R-MAT) は、新しいトランスフォーマーベースのモデルである。我々の主な貢献は、R-MAT(Relative Molecule Attention Transformer)である。これは、新しいトランスフォーマーベースのモデルであり、分子特性予測タスクの幅広い範囲において、最先端または非常に競争的な結果を達成する。
論文参考訳（メタデータ） (2021-10-12T09:05:26Z)
Advanced Graph and Sequence Neural Networks for Molecular Property Prediction and Drug Discovery [53.00288162642151]
計算モデルや分子表現にまたがる包括的な機械学習ツール群であるMoleculeKitを開発した。これらの表現に基づいて構築されたMoeculeKitには、ディープラーニングと、グラフとシーケンスデータのための従来の機械学習方法の両方が含まれている。オンラインおよびオフラインの抗生物質発見と分子特性予測のタスクの結果から、MoneculeKitは以前の方法よりも一貫した改善を実現していることがわかる。
論文参考訳（メタデータ） (2020-12-02T02:09:31Z)

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。