Fugu-MT 論文翻訳(概要): MFBind: a Multi-Fidelity Approach for Evaluating Drug Compounds in Practical Generative Modeling

論文の概要: MFBind: a Multi-Fidelity Approach for Evaluating Drug Compounds in Practical Generative Modeling

arxiv url: http://arxiv.org/abs/2402.10387v1
Date: Fri, 16 Feb 2024 00:48:20 GMT
ステータス: 処理完了
システム内更新日: 2024-02-19 17:54:51.301169
Title: MFBind: a Multi-Fidelity Approach for Evaluating Drug Compounds in Practical Generative Modeling
Title（参考訳）: MFBind: 創薬モデルにおける医薬品評価のための多面的アプローチ
Authors: Peter Eckmann, Dongxia Wu, Germano Heinzelmann, Michael K Gilson, Rose Yu
Abstract要約: 現在の創薬モデルでは、主に分子ドッキングを用いて生成物の品質を評価する。本稿では,MFBind(Multi-fidelity Bind)を提案し,精度と計算コストの最適トレードオフを実現する。
参考スコア（独自算出の注目度）: 17.689451879343014
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Current generative models for drug discovery primarily use molecular docking to evaluate the quality of generated compounds. However, such models are often not useful in practice because even compounds with high docking scores do not consistently show experimental activity. More accurate methods for activity prediction exist, such as molecular dynamics based binding free energy calculations, but they are too computationally expensive to use in a generative model. We propose a multi-fidelity approach, Multi-Fidelity Bind (MFBind), to achieve the optimal trade-off between accuracy and computational cost. MFBind integrates docking and binding free energy simulators to train a multi-fidelity deep surrogate model with active learning. Our deep surrogate model utilizes a pretraining technique and linear prediction heads to efficiently fit small amounts of high-fidelity data. We perform extensive experiments and show that MFBind (1) outperforms other state-of-the-art single and multi-fidelity baselines in surrogate modeling, and (2) boosts the performance of generative models with markedly higher quality compounds.
Abstract（参考訳）: 現在の創薬モデルでは、主に分子ドッキングを用いて生成する化合物の品質を評価する。しかし、ドッキングスコアが高い化合物でさえ常に実験活性を示すわけではないため、そのようなモデルは実際は役に立たないことが多い。分子動力学に基づく結合自由エネルギー計算のようなより正確なアクティビティ予測の方法は存在するが、生成モデルで使用するには計算コストが高すぎる。本稿では,MFBind(Multi-fidelity Bind)を提案し,精度と計算コストの最適トレードオフを実現する。 MFBindはドッキングと結合自由エネルギーシミュレータを統合し、多要素深層代理モデルの学習を活発に行う。深層サロゲートモデルでは,事前学習手法と線形予測ヘッドを用いて,少量の高精度データに効率的に適合する。我々は,MFBind (1) がサロゲートモデリングにおいて他の最先端の単一および多忠実なベースラインよりも優れており,(2) 著しく高品質な化合物を用いた生成モデルの性能を高めることを示す。

関連論文リスト

MF-LAL: Drug Compound Generation Using Multi-Fidelity Latent Space Active Learning [16.48834281521776]
MF-LAL (Multi-Fidelity Latent space Active Learning) は、様々なコスト・精度のトレードオフを持つオラクルの集合を統合する生成モデリングフレームワークである。 MF-LALは, 結合自由エネルギーのスコアが, 他の単一および多忠実なアプローチよりも有意に優れた化合物を産生することを示した。
論文参考訳（メタデータ） (2024-10-15T03:15:05Z)
Assessing Non-Nested Configurations of Multifidelity Machine Learning for Quantum-Chemical Properties [0.0]
量子化学(QC)特性に対するMFML(Multifidelity Machine Learning)は近年,強力な発展を遂げている。本研究は,MFMLと最適化MFMLの2つの手法における非ネステッドトレーニングデータの利用を評価する。
論文参考訳（メタデータ） (2024-07-24T08:34:08Z)
EMR-Merging: Tuning-Free High-Performance Model Merging [55.03509900949149]
Elect, Mask & Rescale-Merging (EMR-Merging) は既存のマージ手法と比較して優れた性能を示した。 EMR-Mergingはチューニング不要なので、データアベイラビリティや追加のトレーニングは必要ありません。
論文参考訳（メタデータ） (2024-05-23T05:25:45Z)
On Least Square Estimation in Softmax Gating Mixture of Experts [78.3687645289918]
決定論的MoEモデルに基づく最小二乗推定器(LSE)の性能について検討する。我々は,多種多様な専門家関数の収束挙動を特徴付けるために,強い識別可能性という条件を確立する。本研究は,専門家の選択に重要な意味を持つ。
論文参考訳（メタデータ） (2024-02-05T12:31:18Z)
A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
論文参考訳（メタデータ） (2024-01-26T09:35:17Z)
Integrating Chemical Language and Molecular Graph in Multimodal Fused Deep Learning for Drug Property Prediction [9.388979080270103]
分子表現の異なる多モード深層学習モデルを構築した。モノモーダルモデルと比較すると,マルチモーダルフューズドディープラーニング(MMFDL)モデルは単一モデルよりも精度,信頼性,耐雑音性に優れている。
論文参考訳（メタデータ） (2023-12-29T07:19:42Z)
Value function estimation using conditional diffusion models for control [62.27184818047923]
拡散値関数(DVF)と呼ばれる単純なアルゴリズムを提案する。拡散モデルを用いて環境-ロボット相互作用の連成多段階モデルを学ぶ。本稿では,DVFを用いて複数のコントローラの状態を効率よく把握する方法を示す。
論文参考訳（メタデータ） (2023-06-09T18:40:55Z)
Multi-fidelity Hierarchical Neural Processes [79.0284780825048]
多要素代理モデリングは、異なるシミュレーション出力を融合させることで計算コストを削減する。本稿では,多階層型階層型ニューラルネットワーク(MF-HNP)を提案する。疫学および気候モデリングタスクにおけるMF-HNPの評価を行い、精度と不確実性評価の観点から競合性能を達成した。
論文参考訳（メタデータ） (2022-06-10T04:54:13Z)
Sparse MoEs meet Efficient Ensembles [49.313497379189315]
このようなモデルの2つの一般的なクラス、すなわちニューラルネットワークのアンサンブルと専門家のスパースミックス(スパースMoE)の相互作用について研究する。 Efficient Ensemble of Experts (E$3$)は、両モデルのクラスを最大限に活用するスケーラブルでシンプルなMoEのアンサンブルであり、深いアンサンブルよりも最大45%少ないFLOPを使用する。
論文参考訳（メタデータ） (2021-10-07T11:58:35Z)
Adaptive Reliability Analysis for Multi-fidelity Models using a Collective Learning Strategy [6.368679897630892]
本研究は,信頼性解析のための適応多忠実ガウス法(adaptive multi-fidelity Gaussian process for reliability analysis,AMGPRA)という新しい手法を提案する。提案手法は,最先端の単相・多相の手法と比較して計算コストを削減し,類似あるいは高い精度を実現する。 AMGPRAのキーとなる応用は、複雑で高価な物理ベースの計算モデルを用いた高忠実度不安定性モデリングである。
論文参考訳（メタデータ） (2021-09-21T14:42:58Z)
A data-driven peridynamic continuum model for upscaling molecular dynamics [3.1196544696082613]
分子動力学データから最適線形ペリダイナミックソリッドモデルを抽出する学習フレームワークを提案する。我々は,符号変化の影響関数を持つ離散化LPSモデルに対して,十分な適切な正当性条件を提供する。このフレームワークは、結果のモデルが数学的に適切であり、物理的に一貫したものであり、トレーニング中に使用するものと異なる設定によく当てはまることを保証します。
論文参考訳（メタデータ） (2021-08-04T07:07:47Z)

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。