論文の概要: A novel molecule generative model of VAE combined with Transformer
- arxiv url: http://arxiv.org/abs/2402.11950v1
- Date: Mon, 19 Feb 2024 08:46:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-20 17:26:33.755753
- Title: A novel molecule generative model of VAE combined with Transformer
- Title(参考訳): トランスフォーマーと組み合わされた新規なVAE分子生成モデル
- Authors: Yasuhiro Yoshikai, Tadahaya Mizuno, Shumpei Nemoto, Hiroyuki Kusuhara
- Abstract要約: トランスフォーマーとVAEは強力なモデルとして広く使われているが、構造的ミスマッチと性能的ミスマッチのために組み合わせて使われることは滅多にない。
本研究では, この2つのモデルを組み合わせて, 多様な分子の処理における構造とパラメータの最適化を行うモデルを提案する。
提案モデルでは, 既存の分子生成モデルに匹敵する性能を示し, 未知の構造を持つ分子生成モデルにおいて, はるかに優れた性能を示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recently, molecule generation using deep learning has been actively
investigated in drug discovery. In this field, Transformer and VAE are widely
used as powerful models, but they are rarely used in combination due to
structural and performance mismatch of them. This study proposes a model that
combines these two models through structural and parameter optimization in
handling diverse molecules. The proposed model shows comparable performance to
existing models in generating molecules, and showed by far superior performance
in generating molecules with unseen structures. In addition, the proposed model
successfully predicted molecular properties using the latent representation of
VAE. Ablation studies suggested the advantage of VAE over other generative
models like language model in generating novel molecules, and that the
molecules can be described by ~32 dimensional variables, much smaller than
existing descriptors and models. This study is expected to provide a virtual
chemical library containing a wide variety of compounds for virtual screening
and to enable efficient screening.
- Abstract(参考訳): 近年,深層学習を用いた分子生成が積極的に研究されている。
この分野では、TransformerとVAEは強力なモデルとして広く使われているが、構造的および性能的ミスマッチのために組み合わせて使われることは稀である。
本研究では, この2つのモデルを組み合わせて, 多様な分子の処理における構造とパラメータの最適化を行うモデルを提案する。
提案手法は分子生成における既存モデルと同等の性能を示し, 未知構造を持つ分子の生成において極めて優れた性能を示した。
さらに,VAEの潜在表現を用いた分子特性の予測にも成功している。
アブレーション研究は、新しい分子の生成における言語モデルのような他の生成モデルに対するvaeの利点を示唆し、分子は既存の記述子やモデルよりもはるかに小さい32次元変数で記述できることを示した。
本研究は, 仮想スクリーニングのための多種多様な化合物を含む仮想化学ライブラリーを提供することが期待されている。
関連論文リスト
- Diffusing on Two Levels and Optimizing for Multiple Properties: A Novel
Approach to Generating Molecules with Desirable Properties [33.2976176283611]
本稿では,分子を望ましい性質で生成する新しい手法を提案する。
望ましい分子断片を得るため,我々は新しい電子効果に基づくフラグメンテーション法を開発した。
提案手法により生成する分子は, 従来のSOTAモデルより有効, 特異性, 新規性, Fr'echet ChemNet Distance (FCD), QED, PlogP を有することを示す。
論文 参考訳(メタデータ) (2023-10-05T11:43:21Z) - Variational Autoencoding Molecular Graphs with Denoising Diffusion
Probabilistic Model [0.0]
本稿では,階層構造を確率論的潜在ベクトルに組み込んだ新しい深層生成モデルを提案する。
本モデルは,物理特性と活性に関する小さなデータセットを用いて,分子特性予測のための有効な分子潜在ベクトルを設計できることを実証する。
論文 参考訳(メタデータ) (2023-07-02T17:29:41Z) - 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) - 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) - Molecular Attributes Transfer from Non-Parallel Data [57.010952598634944]
分子最適化をスタイル伝達問題として定式化し、非並列データの2つのグループ間の内部差を自動的に学習できる新しい生成モデルを提案する。
毒性修飾と合成性向上という2つの分子最適化タスクの実験により,本モデルがいくつかの最先端手法を著しく上回ることを示した。
論文 参考訳(メタデータ) (2021-11-30T06:10:22Z) - De Novo Molecular Generation with Stacked Adversarial Model [24.83456726428956]
近年, ド・ノボの薬物設計に期待できるアプローチとして, 条件付き生成逆数モデルが提案されている。
本稿では、2つのモデルを重ね合わせることで、既存の対向オートエンコーダモデルを拡張する新しい生成モデルを提案する。
我々の積み重ねられたアプローチは、既知の薬物とより類似した分子と同様に、より有効な分子を生成する。
論文 参考訳(メタデータ) (2021-10-24T14:23:16Z) - Learning Neural Generative Dynamics for Molecular Conformation
Generation [89.03173504444415]
分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。
分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
論文 参考訳(メタデータ) (2021-02-20T03:17:58Z) - Learning Latent Space Energy-Based Prior Model for Molecule Generation [59.875533935578375]
分子モデリングのためのSMILES表現を用いた潜時空間エネルギーに基づく先行モデルについて学習する。
本手法は,最先端モデルと競合する妥当性と特異性を持つ分子を生成することができる。
論文 参考訳(メタデータ) (2020-10-19T09:34:20Z) - Conditional Constrained Graph Variational Autoencoders for Molecule
Design [70.59828655929194]
本稿では、このキーイデアを最先端のモデルで実装した、条件制約付きグラフ変分オートエンコーダ(CCGVAE)を提案する。
分子生成のために広く採用されている2つのデータセットについて、いくつかの評価指標について改善した結果を示す。
論文 参考訳(メタデータ) (2020-09-01T21:58:07Z)
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。