論文の概要: Sculpting Molecules in 3D: A Flexible Substructure Aware Framework for Text-Oriented Molecular Optimization

• arxiv url: http://arxiv.org/abs/2403.03425v1
• Date: Wed, 6 Mar 2024 03:15:25 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-07 16:26:21.033239
• Title: Sculpting Molecules in 3D: A Flexible Substructure Aware Framework for Text-Oriented Molecular Optimization
• Title（参考訳）: sculpting molecules in 3d: テキスト指向分子最適化のための柔軟な部分構造認識フレームワーク
• Authors: Kaiwei Zhang, Yange Lin, Guangcheng Wu, Yuxiang Ren, Xuecang Zhang, Bo wang, Xiaoyu Zhang, Weitao Du
• Abstract要約: 本稿では,多モードガイダンス生成/最適化タスクとして定式化することで,逆設計問題に対処する革新的な手法を提案する。 提案手法は,分子生成・最適化タスク,すなわち3DToMoloの実装のためのテクスチャ構造アライメント対称拡散フレームワークを含む。 3つのガイダンス生成設定での試行は、最先端の手法と比較して、ヒット生成性能が優れていることを示している。
• 参考スコア（独自算出の注目度）: 11.336868279763804
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The integration of deep learning, particularly AI-Generated Content, with high-quality data derived from ab initio calculations has emerged as a promising avenue for transforming the landscape of scientific research. However, the challenge of designing molecular drugs or materials that incorporate multi-modality prior knowledge remains a critical and complex undertaking. Specifically, achieving a practical molecular design necessitates not only meeting the diversity requirements but also addressing structural and textural constraints with various symmetries outlined by domain experts. In this article, we present an innovative approach to tackle this inverse design problem by formulating it as a multi-modality guidance generation/optimization task. Our proposed solution involves a textural-structure alignment symmetric diffusion framework for the implementation of molecular generation/optimization tasks, namely 3DToMolo. 3DToMolo aims to harmonize diverse modalities, aligning them seamlessly to produce molecular structures adhere to specified symmetric structural and textural constraints by experts in the field. Experimental trials across three guidance generation settings have shown a superior hit generation performance compared to state-of-the-art methodologies. Moreover, 3DToMolo demonstrates the capability to generate novel molecules, incorporating specified target substructures, without the need for prior knowledge. This work not only holds general significance for the advancement of deep learning methodologies but also paves the way for a transformative shift in molecular design strategies. 3DToMolo creates opportunities for a more nuanced and effective exploration of the vast chemical space, opening new frontiers in the development of molecular entities with tailored properties and functionalities.
• Abstract（参考訳）: ディープラーニング、特にai生成コンテンツとab initio計算に基づく高品質データの統合は、科学研究の展望を変える有望な道筋として浮上している。 しかし、マルチモーダリティの事前知識を取り入れた分子薬や材料を設計するという課題は、依然として重要かつ複雑な作業である。 特に、実用的な分子設計を実現するには、多様性要件を満たすだけでなく、ドメインの専門家が概説した様々な対称性による構造的およびテクスチャ的制約に対処する必要がある。 本稿では,マルチモダリティ誘導生成・最適化タスクとして定式化することで,この逆設計問題に取り組むための革新的アプローチを提案する。 提案手法は,分子生成・最適化タスク,すなわち3DToMoloの実装のためのテクスチャ構造アライメント対称拡散フレームワークを含む。 3DToMoloは様々なモダリティを調和させることを目的としており、この分野の専門家による特定の対称構造とテクスチャの制約に従う分子構造をシームレスに生成する。 3つのガイダンス生成環境での実験実験は、最先端の手法よりも優れたヒット生成性能を示した。 さらに、3DToMoloは、事前の知識を必要とせず、特定のターゲットサブ構造を組み込んだ新しい分子を生成する能力を示す。 この研究は、深層学習手法の進歩に一般的な重要性を持つだけでなく、分子設計戦略における変革的転換の道を開いた。 3DToMoloは、広大な化学空間のよりきめ細やかで効果的な探索の機会を生み出し、調整された性質と機能を持つ分子体の開発に新たなフロンティアを開く。

関連論文リスト

• GraphXForm: Graph transformer for computer-aided molecular design with application to extraction [73.1842164721868]
  本稿では,デコーダのみのグラフトランスフォーマアーキテクチャであるGraphXFormについて述べる。 液液抽出のための2つの溶媒設計課題について評価し,4つの最先端分子設計技術より優れていることを示した。
  論文  参考訳（メタデータ） (2024-11-03T19:45:15Z)
• Molecular Dynamics and Machine Learning Unlock Possibilities in Beauty Design -- A Perspective [16.91569591356659]
  計算分子設計は、機械学習と分子動力学のアプローチによって支援された様々なミッションで分子を設計する試みである。 これらの技術は、寿命を延ばすだけでなく、その美しさを発揮できるほど成熟していると我々は主張する。 この観点から、スキンケア製品の研究・開発における現在のフロンティアと、この業界の課題に対処する統計的・物理的ツールボックスを概観する。
  論文  参考訳（メタデータ） (2024-10-08T13:30:27Z)
• Crossing New Frontiers: Knowledge-Augmented Large Language Model Prompting for Zero-Shot Text-Based De Novo Molecule Design [0.0]
  本研究は,ゼロショットテキスト条件デノボ分子生成タスクにおいて,大規模言語モデル(LLM)の知識増進プロンプトの利用について検討する。 本フレームワークは,ベンチマークデータセット上でのSOTA(State-of-the-art)ベースラインモデルの有効性を実証する。
  論文  参考訳（メタデータ） (2024-08-18T11:37:19Z)
• Improving Molecular Modeling with Geometric GNNs: an Empirical Study [56.52346265722167]
  本稿では,異なる標準化手法,(2)グラフ作成戦略,(3)補助的なタスクが性能,拡張性,対称性の強制に与える影響に焦点をあてる。 本研究の目的は,分子モデリングタスクに最適なモデリングコンポーネントの選択を研究者に案内することである。
  論文  参考訳（メタデータ） (2024-07-11T09:04:12Z)
• UniIF: Unified Molecule Inverse Folding [67.60267592514381]
  全分子の逆折り畳みのための統一モデルUniIFを提案する。 提案手法は,全タスクにおける最先端手法を超越した手法である。
  論文  参考訳（メタデータ） (2024-05-29T10:26:16Z)
• Instruction Multi-Constraint Molecular Generation Using a Teacher-Student Large Language Model [49.64512917330373]
  本稿では,学生に類似した多制約分子生成大言語モデルTSMMGを紹介する。 TSMMGを訓練するために、これらの「教師」から分子知識を抽出し、大量のテキスト-分子対を構築する。 我々は,TSMMGが複雑で自然言語で記述された特性を満たす分子を生成できることを実験的に明らかにした。
  論文  参考訳（メタデータ） (2024-03-20T02:15:55Z)
• Deep Geometry Handling and Fragment-wise Molecular 3D Graph Generation [19.569030412134108]
  初期の3次元構造に基づく分子生成手法は原子のパラダイムに従っている。 フラグメントワイズ生成パラダイムは、有望なソリューションを提供する。 ディープジオメトリ・ハンドリングプロトコルはモデルアーキテクチャを超えて設計の焦点を広げる。 FragGenは、幾何学的に信頼性が高く、断片的な分子生成法である。
  論文  参考訳（メタデータ） (2024-03-15T14:45:41Z)
• DecompOpt: Controllable and Decomposed Diffusion Models for Structure-based Molecular Optimization [49.85944390503957]
  DecompOptは、制御可能・拡散モデルに基づく構造に基づく分子最適化手法である。 DecompOptは強いde novoベースラインよりも優れた特性を持つ分子を効率よく生成できることを示す。
  論文  参考訳（メタデータ） (2024-03-07T02:53:40Z)
• An Equivariant Generative Framework for Molecular Graph-Structure Co-Design [54.92529253182004]
  分子グラフ構造アンダーラインCo設計のための機械学習ベースの生成フレームワークであるMollCodeを提案する。 MolCodeでは、3D幾何情報によって分子2Dグラフの生成が促進され、それによって分子3D構造の予測が導かれる。 分子設計における2次元トポロジーと3次元幾何は本質的に相補的な情報を含んでいることが明らかとなった。
  論文  参考訳（メタデータ） (2023-04-12T13:34:22Z)
• Symmetry-Aware Actor-Critic for 3D Molecular Design [9.257157190657443]
  本稿では,従来のアプローチでは実現不可能な構造を生成可能な3次元分子設計のための新しいアクタークリティカルアーキテクチャを提案する。 これは、回転的に共変状態-作用表現を通じて設計プロセスの対称性を活用することで達成される。 いくつかの3次元分子設計タスクに対するアプローチの利点を実証し、そのような対称性で構築することで、生成分子の一般化と品質が大幅に向上することを示した。
  論文  参考訳（メタデータ） (2020-11-25T14:04:33Z)

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。