論文の概要: Dual-Space Optimization: Improved Molecule Sequence Design by Latent
Prompt Transformer
- arxiv url: http://arxiv.org/abs/2402.17179v1
- Date: Tue, 27 Feb 2024 03:33:23 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-28 17:51:13.905673
- Title: Dual-Space Optimization: Improved Molecule Sequence Design by Latent
Prompt Transformer
- Title(参考訳): デュアルスペース最適化:潜在プロンプトトランスフォーマーによる分子配列設計の改善
- Authors: Deqian Kong, Yuhao Huang, Jianwen Xie, Edouardo Honig, Ming Xu,
Shuanghong Xue, Pei Lin, Sanping Zhou, Sheng Zhong, Nanning Zheng, Ying Nian
Wu
- Abstract要約: 本稿では,遅延空間サンプリングとデータ空間選択を統合したDual-Space Optimization (DSO)法を提案する。
DSOは、生成モデルと合成データを所望のプロパティ値の領域にシフトさせる最適化プロセスにおいて、潜在空間生成モデルと合成データセットを反復的に更新する。
提案手法の有効性を実証し, 単一目的, 多目的, 制約された分子設計タスクにまたがる新しい性能ベンチマークを設定した。
- 参考スコア(独自算出の注目度): 78.47949363282868
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Designing molecules with desirable properties, such as drug-likeliness and
high binding affinities towards protein targets, is a challenging problem. In
this paper, we propose the Dual-Space Optimization (DSO) method that integrates
latent space sampling and data space selection to solve this problem. DSO
iteratively updates a latent space generative model and a synthetic dataset in
an optimization process that gradually shifts the generative model and the
synthetic data towards regions of desired property values. Our generative model
takes the form of a Latent Prompt Transformer (LPT) where the latent vector
serves as the prompt of a causal transformer. Our extensive experiments
demonstrate effectiveness of the proposed method, which sets new performance
benchmarks across single-objective, multi-objective and constrained molecule
design tasks.
- Abstract(参考訳): 薬物類似性やタンパク質標的に対する高い結合親和性などの望ましい性質を持つ分子を設計することは難しい問題である。
本稿では,この問題を解決するために,潜在空間サンプリングとデータ空間選択を統合したデュアルスペース最適化(dso)手法を提案する。
DSOは、生成モデルと合成データを所望のプロパティ値の領域へ徐々にシフトさせる最適化プロセスにおいて、潜在空間生成モデルと合成データセットを反復的に更新する。
我々の生成モデルは、潜在ベクトルが因果変換器のプロンプトとして機能する潜在プロンプト変換器(LPT)の形をとる。
提案手法の有効性を実証し, 単一目的, 多目的, 制約された分子設計タスクにまたがって, 新たな性能ベンチマークを設定する。
関連論文リスト
- Conditional Synthesis of 3D Molecules with Time Correction Sampler [58.0834973489875]
Time-Aware Conditional Synthesis (TACS) は拡散モデルにおける条件生成の新しい手法である。
適応的に制御されたプラグアンドプレイの"オンライン"ガイダンスを拡散モデルに統合し、サンプルを所望の特性に向けて駆動する。
論文 参考訳(メタデータ) (2024-11-01T12:59:25Z) - Molecule Design by Latent Prompt Transformer [61.68502207071992]
本稿では,分子設計などの最適化課題を解決するために,潜時変圧器モデルを提案する。
目的は、既存のソフトウェアで計算可能な、標的となる化学的または生物学的性質の最適な値を持つ分子を見つけることである。
論文 参考訳(メタデータ) (2023-10-05T02:09:51Z) - 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) - Controlled Molecule Generator for Optimizing Multiple Chemical
Properties [9.10095508718581]
2つの制約ネットワークを持つトランスフォーマーに基づく新しい最適化された分子生成モデルを提案する。
実験により,提案モデルでは,複数の特性を同時に最適化する上で,最先端モデルよりも有意な差が認められた。
論文 参考訳(メタデータ) (2020-10-26T21:26:14Z) - 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) - Goal-directed Generation of Discrete Structures with Conditional
Generative Models [85.51463588099556]
本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。
提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
論文 参考訳(メタデータ) (2020-10-05T20:03:13Z)
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。