論文の概要: Active Deep Kernel Learning of Molecular Functionalities: Realizing Dynamic Structural Embeddings

• arxiv url: http://arxiv.org/abs/2403.01234v1
• Date: Sat, 2 Mar 2024 15:34:31 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-05 14:40:41.929847
• Title: Active Deep Kernel Learning of Molecular Functionalities: Realizing Dynamic Structural Embeddings
• Title（参考訳）: 分子機能のアクティブディープカーネル学習:動的構造埋め込みの実現
• Authors: Ayana Ghosh, Maxim Ziatdinov and, Sergei V. Kalinin
• Abstract要約: 本稿では,Deep Kernel Learning (DKL) を用いた分子探索における能動的学習手法について検討する。 DKLは構造と性質を関連付けることによってより全体論的視点を提供し、分子機能に優先順位をつける潜在空間を創出する。 特定の化合物を取り巻く排除領域の形成は、基盤となる機能を持つ未発見領域を示す。
• 参考スコア（独自算出の注目度）: 0.26716003713321473
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Exploring molecular spaces is crucial for advancing our understanding of chemical properties and reactions, leading to groundbreaking innovations in materials science, medicine, and energy. This paper explores an approach for active learning in molecular discovery using Deep Kernel Learning (DKL), a novel approach surpassing the limits of classical Variational Autoencoders (VAEs). Employing the QM9 dataset, we contrast DKL with traditional VAEs, which analyze molecular structures based on similarity, revealing limitations due to sparse regularities in latent spaces. DKL, however, offers a more holistic perspective by correlating structure with properties, creating latent spaces that prioritize molecular functionality. This is achieved by recalculating embedding vectors iteratively, aligning with the experimental availability of target properties. The resulting latent spaces are not only better organized but also exhibit unique characteristics such as concentrated maxima representing molecular functionalities and a correlation between predictive uncertainty and error. Additionally, the formation of exclusion regions around certain compounds indicates unexplored areas with potential for groundbreaking functionalities. This study underscores DKL's potential in molecular research, offering new avenues for understanding and discovering molecular functionalities beyond classical VAE limitations.
• Abstract（参考訳）: 分子空間の探索は、物質科学、医学、エネルギーの画期的な革新に繋がる、化学特性と反応の理解を前進させるのに不可欠である。 本稿では,古典的変分オートエンコーダ(VAE)の限界を超える新しいアプローチであるDeep Kernel Learning (DKL)を用いて,分子発見における能動的学習手法を提案する。 qm9データセットを用いて、類似性に基づく分子構造を分析する従来のvaesとdklを対比し、潜在空間における疎正規性による制限を明らかにする。 しかし、DKLは構造と性質を関連付けることによってより全体論的視点を提供し、分子的機能を優先する潜在空間を作り出す。 これは、埋め込みベクトルを反復的に再計算することで達成され、ターゲット特性の実験的な可用性に合致する。 結果として生じる潜伏空間は、よりよく整理されるだけでなく、分子機能を表す集中最大値や予測の不確かさと誤差の相関といった独特の特徴も示している。 さらに、特定の化合物を取り巻く排除領域の形成は、基盤となる機能を持つ未探索領域を示す。 この研究は、分子研究におけるDKLの可能性を強調し、古典的なVAE限界を超えた分子機能を理解し発見するための新たな道を提供する。

関連論文リスト

• Active Causal Learning for Decoding Chemical Complexities with Targeted Interventions [0.0]
  そこで本研究では,戦略的サンプリングを通じて原因・影響関係を識別する能動的学習手法を提案する。 この方法は、より大きな化学空間の最も多くの情報を符号化できるデータセットの最小サブセットを特定する。 その後、同定された因果関係を利用して体系的な介入を行い、モデルがこれまで遭遇していなかった化学空間における設計タスクを最適化する。
  論文  参考訳（メタデータ） (2024-04-05T17:15:48Z)
• From molecules to scaffolds to functional groups: building context-dependent molecular representation via multi-channel learning [10.025809630976065]
  本稿では,より堅牢で一般化可能な化学知識を学習する,新しい事前学習フレームワークを提案する。 提案手法は,種々の分子特性ベンチマークにおける競合性能を示す。
  論文  参考訳（メタデータ） (2023-11-05T23:47:52Z)
• Towards Predicting Equilibrium Distributions for Molecular Systems with Deep Learning [60.02391969049972]
  本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。 DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
  論文  参考訳（メタデータ） (2023-06-08T17:12:08Z)
• Atomic and Subgraph-aware Bilateral Aggregation for Molecular Representation Learning [57.670845619155195]
  我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。 ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。 本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
  論文  参考訳（メタデータ） (2023-05-22T00:56:00Z)
• 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)
• Discovery of structure-property relations for molecules via hypothesis-driven active learning over the chemical space [0.0]
  本稿では,仮説学習に基づく化学空間上の能動的学習のための新しいアプローチを提案する。 我々は,データサブセットの小さな部分集合に基づいて,関心の構造と機能の関係性に関する仮説を構築した。 このアプローチでは、SISSOやアクティブラーニングといったシンボリックレグレッションメソッドの要素をひとつのフレームワークに統合する。
  論文  参考訳（メタデータ） (2023-01-06T14:22:43Z)
• Graph neural networks for the prediction of molecular structure-property relationships [59.11160990637615]
  グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。 GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。 本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
  論文  参考訳（メタデータ） (2022-07-25T11:30:44Z)
• Exploring Chemical Space with Score-based Out-of-distribution Generation [57.15855198512551]
  生成微分方程式(SDE)にアウト・オブ・ディストリビューション制御を組み込んだスコアベース拡散方式を提案する。 いくつかの新しい分子は現実世界の薬物の基本的な要件を満たしていないため、MOODは特性予測器からの勾配を利用して条件付き生成を行う。 我々はMOODがトレーニング分布を超えて化学空間を探索できることを実験的に検証し、既存の方法で見いだされた分子、そして元のトレーニングプールの上位0.01%までも生成できることを実証した。
  論文  参考訳（メタデータ） (2022-06-06T06:17:11Z)
• 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)
• ASGN: An Active Semi-supervised Graph Neural Network for Molecular Property Prediction [61.33144688400446]
  本稿では,ラベル付き分子とラベルなし分子の両方を組み込んだ,アクティブ半教師付きグラフニューラルネットワーク(ASGN)を提案する。 教師モデルでは,分子構造や分子分布から情報を共同で活用する汎用表現を学習するための,新しい半教師付き学習手法を提案する。 最後に,分子多様性の観点から,フレームワーク学習全体を通して情報的データを選択するための新しい能動的学習戦略を提案する。
  論文  参考訳（メタデータ） (2020-07-07T04:22:39Z)

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。