論文の概要: Improving Molecule Generation and Drug Discovery with a Knowledge-enhanced Generative Model

• arxiv url: http://arxiv.org/abs/2402.08790v2
• Date: Mon, 07 Oct 2024 22:56:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-10 14:25:45.235586
• Title: Improving Molecule Generation and Drug Discovery with a Knowledge-enhanced Generative Model
• Title（参考訳）: 知識強化生成モデルによる分子生成と創薬の改善
• Authors: Aditya Malusare, Vaneet Aggarwal,
• Abstract要約: 我々はKARLと呼ばれる知識強化型生成モデルのためのフレームワークを開発する。 意味的整合性を保ちながら知識グラフの機能を拡張し、このコンテキスト情報を生成フレームワークに組み込む。 KARLは、非条件およびターゲット生成タスクの両方において、最先端の生成モデルより優れている。
• 参考スコア（独自算出の注目度）: 33.38582292895673
• License:
• Abstract: Recent advancements in generative models have established state-of-the-art benchmarks in the generation of molecules and novel drug candidates. Despite these successes, a significant gap persists between generative models and the utilization of extensive biomedical knowledge, often systematized within knowledge graphs, whose potential to inform and enhance generative processes has not been realized. In this paper, we present a novel approach that bridges this divide by developing a framework for knowledge-enhanced generative models called KARL. We develop a scalable methodology to extend the functionality of knowledge graphs while preserving semantic integrity, and incorporate this contextual information into a generative framework to guide a diffusion-based model. The integration of knowledge graph embeddings with our generative model furnishes a robust mechanism for producing novel drug candidates possessing specific characteristics while ensuring validity and synthesizability. KARL outperforms state-of-the-art generative models on both unconditional and targeted generation tasks.
• Abstract（参考訳）: 生成モデルの最近の進歩は、分子の生成における最先端のベンチマークと新しい薬物候補を確立している。 これらの成功にもかかわらず、生成モデルと広範な生物医学的知識の活用の間には大きなギャップがあり、しばしば知識グラフの中で体系化され、生成過程を通知し、拡張する能力は実現されていない。 本稿では,知識強化型生成モデルKARLの開発により,この分割を橋渡しする新しい手法を提案する。 意味的整合性を保ちながら知識グラフの機能を拡張するためのスケーラブルな方法論を開発し,このコンテキスト情報を生成フレームワークに組み込んで拡散モデルを導出する。 知識グラフの組込みと生成モデルの統合は, 有効性と合成性を確保しつつ, 特定の特徴を有する新規な薬剤候補を創出するための堅牢なメカニズムを提供する。 KARLは、非条件およびターゲット生成タスクの両方において、最先端の生成モデルより優れている。

関連論文リスト

• Discovering intrinsic multi-compartment pharmacometric models using Physics Informed Neural Networks [0.0]
  我々は、純粋にデータ駆動型ニューラルネットワークモデルであるPKINNを紹介する。 PKINNは、本質的なマルチコンパートメントベースの薬理学構造を効率的に発見し、モデル化する。 得られたモデルは、シンボリック回帰法によって解釈可能であり、説明可能である。
  論文  参考訳（メタデータ） (2024-04-30T19:31:31Z)
• Enhancing Generative Class Incremental Learning Performance with Model Forgetting Approach [50.36650300087987]
  本研究は, ジェネレーティブ・クラス・インクリメンタル・ラーニング(GCIL, Generative Class Incremental Learning)への新たなアプローチを提案する。 我々は, 忘れる機構の統合により, 新たな知識獲得におけるモデルの性能が著しく向上することを発見した。
  論文  参考訳（メタデータ） (2024-03-27T05:10:38Z)
• A Neuro-mimetic Realization of the Common Model of Cognition via Hebbian Learning and Free Energy Minimization [55.11642177631929]
  大規模なニューラル生成モデルは、意味的に豊富なテキストのパスを合成したり、複雑な画像を生成することができる。 我々はコモン・モデル・オブ・コグニティブ・ニューラル・ジェネレーティブ・システムについて論じる。
  論文  参考訳（メタデータ） (2023-10-14T23:28:48Z)
• Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
  本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。 本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
  論文  参考訳（メタデータ） (2023-10-10T14:37:17Z)
• Unified Framework for Histopathology Image Augmentation and Classification via Generative Models [6.404713841079193]
  本稿では,データ生成とモデルトレーニングの段階を統一プロセスに統合する,革新的な統一フレームワークを提案する。 提案手法では、画像合成と分類の両方を同時に扱うために、純粋視覚変換器(ViT)ベースの条件付き生成適応ネットワーク(cGAN)モデルを用いる。 本実験により,我々の統合合成増強フレームワークは,病理組織像分類モデルの性能を一貫して向上させることが示された。
  論文  参考訳（メタデータ） (2022-12-20T03:40:44Z)
• A Survey on Generative Diffusion Model [75.93774014861978]
  拡散モデルは、深層生成モデルの新たなクラスである。 時間を要する反復生成過程や高次元ユークリッド空間への閉じ込めなど、いくつかの制限がある。 本調査では,拡散モデルの向上を目的とした高度な手法を多数提示する。
  論文  参考訳（メタデータ） (2022-09-06T16:56:21Z)
• Continual Learning with Bayesian Model based on a Fixed Pre-trained Feature Extractor [55.9023096444383]
  現在のディープラーニングモデルは、新しいクラスを学ぶ際に古い知識を破滅的に忘れることによって特徴づけられる。 人間の脳における新しい知識の学習プロセスに着想を得て,連続学習のためのベイズ生成モデルを提案する。
  論文  参考訳（メタデータ） (2022-04-28T08:41:51Z)
• Towards a Predictive Processing Implementation of the Common Model of Cognition [79.63867412771461]
  本稿では,ニューラル生成符号化とホログラフィック連想記憶に基づく認知モデルの実装について述べる。 提案システムは,多様なタスクから継続的に学習し,大規模に人的パフォーマンスをモデル化するエージェントを開発するための基盤となる。
  論文  参考訳（メタデータ） (2021-05-15T22:55:23Z)
• Utilising Graph Machine Learning within Drug Discovery and Development [19.21101749270075]
  グラフ機械学習(gml)は、生体分子構造をモデル化する能力から、製薬およびバイオテクノロジー業界で注目を集めている。 本稿では,創薬・開発におけるトピックの多分野の学術・産業的考察を行う。 重要な用語とモデリングアプローチを導入した後、薬物開発パイプラインを経時的に経時的に移動し、標的の同定、小さな分子や生物の設計、薬物の再利用などを含む作業の特定と要約を行う。
  論文  参考訳（メタデータ） (2020-12-09T10:12:33Z)

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。