論文の概要: Attention Based Molecule Generation via Hierarchical Variational Autoencoder

• arxiv url: http://arxiv.org/abs/2402.16854v1
• Date: Thu, 18 Jan 2024 21:45:12 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-25 08:46:38.669223
• Title: Attention Based Molecule Generation via Hierarchical Variational Autoencoder
• Title（参考訳）: 階層的変分オートエンコーダによる注意に基づく分子生成
• Authors: Divahar Sivanesan,
• Abstract要約: ニューラルネットワークと畳み込みネットワークを階層的に組み合わせることで,SMILES文字列から自己回帰情報を抽出できることを示す。 これにより、既知の分子を再構成する際に95%のオーダーで非常に高い妥当性を持つ世代が生まれる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Molecule generation is a task made very difficult by the complex ways in which we represent molecules computationally. A common technique used in molecular generative modeling is to use SMILES strings with recurrent neural networks built into variational autoencoders - but these suffer from a myriad of issues: vanishing gradients, long-range forgetting, and invalid molecules. In this work, we show that by combining recurrent neural networks with convolutional networks in a hierarchical manner, we are able to both extract autoregressive information from SMILES strings while maintaining signal and long-range dependencies. This allows for generations with very high validity rates on the order of 95% when reconstructing known molecules. We also observe an average Tanimoto similarity of .6 between test set and reconstructed molecules, which suggests our method is able to map between SMILES strings and their learned representations in a more effective way than prior works using similar methods.
• Abstract（参考訳）: 分子生成は、分子を計算的に表現する複雑な方法によって非常に難しいタスクである。 分子生成モデリングで使用される一般的なテクニックは、可変オートエンコーダに組み込まれたリカレントニューラルネットワークを備えたSMILES文字列を使用することである。 本研究では,リカレントニューラルネットワークと畳み込みニューラルネットワークを階層的に組み合わせることで,信号と長距離依存性を維持しながらSMILES文字列から自己回帰情報を抽出できることを示す。 これにより、既知の分子を再構成する際に95%のオーダーで非常に高い妥当性を持つ世代が生まれる。 また、テストセットと再構成分子間の.6の平均的谷本類似性も観察し、本手法がSMILES文字列とそれらの学習表現を、類似した手法を用いた先行研究よりも効果的にマッピングできることを示唆している。

関連論文リスト

• DiffMS: Diffusion Generation of Molecules Conditioned on Mass Spectra [60.39311767532607]
  DiffMSは式制限エンコーダ-デコーダ生成ネットワークである。 我々は、潜伏埋め込みと分子構造を橋渡しする頑健なデコーダを開発する。 実験の結果、DiffMS は $textitde novo$ 分子生成で既存のモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-13T18:29:48Z)
• MING: A Functional Approach to Learning Molecular Generative Models [46.189683355768736]
  本稿では,関数表現に基づく分子生成モデル学習のための新しいパラダイムを提案する。 本稿では,関数空間における分子分布を学習する拡散モデルである分子インプリシットニューラルジェネレーション(MING)を提案する。
  論文  参考訳（メタデータ） (2024-10-16T13:02:02Z)
• Data-Efficient Molecular Generation with Hierarchical Textual Inversion [48.816943690420224]
  分子生成のための階層型テキスト変換法 (HI-Mol) を提案する。 HI-Molは分子分布を理解する上での階層的情報、例えば粗い特徴ときめ細かい特徴の重要性にインスパイアされている。 単一レベルトークン埋め込みを用いた画像領域の従来のテキストインバージョン法と比較して, マルチレベルトークン埋め込みにより, 基礎となる低ショット分子分布を効果的に学習することができる。
  論文  参考訳（メタデータ） (2024-05-05T08:35:23Z)
• RGCVAE: Relational Graph Conditioned Variational Autoencoder for Molecule Design [70.59828655929194]
  ディープグラフ変分自動エンコーダは、この問題に対処可能な、最も強力な機械学習ツールの1つである。 i)新しい強力なグラフ同型ネットワークを利用した符号化ネットワーク,(ii)新しい確率的復号化コンポーネントを提案する。
  論文  参考訳（メタデータ） (2023-05-19T14:23:48Z)
• Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
  我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。 我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。 複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
  論文  参考訳（メタデータ） (2023-02-04T01:32:40Z)
• 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)
• Super-resolution in Molecular Dynamics Trajectory Reconstruction with Bi-Directional Neural Networks [0.0]
  機械学習(ML)の異なる手法を探索し、後処理のステップで分子動力学軌道の解像度をオンデマンドで向上する。 サーモスタット軌道の局所的時間対称性を利用して、長距離相関を学習し、分子の複雑さにまたがる雑音のダイナミックスに対して高いロバスト性を示すことができる。
  論文  参考訳（メタデータ） (2022-01-02T23:00:30Z)
• Geometric Transformer for End-to-End Molecule Properties Prediction [92.28929858529679]
  分子特性予測のためのトランスフォーマーに基づくアーキテクチャを導入し,分子の形状を捉える。 分子幾何学の初期符号化による古典的な位置エンコーダと、学習されたゲート自己保持機構を改変する。
  論文  参考訳（メタデータ） (2021-10-26T14:14:40Z)
• Solving the electronic Schr\"odinger equation for multiple nuclear geometries with weight-sharing deep neural networks [4.1201966507589995]
  本稿では,異なる分子ジオメトリに対するニューラルネットワークモデル最適化において,重み共有制約を導入する。 この手法は、同じ分子の核ジオメトリの集合を等級で考えることで最適化を加速することができる。
  論文  参考訳（メタデータ） (2021-05-18T08:23:09Z)
• MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [51.00815310242277]
  生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。 本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
  論文  参考訳（メタデータ） (2020-10-05T20:18:42Z)

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。