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
- Diffusion-Driven Generative Framework for Molecular Conformation
Prediction [0.66567375919026]
機械学習の急速な進歩は、この文脈における予測モデリングの精度に革命をもたらした。
本研究は,最先端な生成手法を提案する。
メソッドは原子を独立した実体とみなし、拡散の逆転を導くのに優れている。
論文 参考訳(メタデータ) (2023-12-22T11:49:39Z) - 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) - Modeling Molecular Structures with Intrinsic Diffusion Models [2.487445341407889]
本論文は本質的拡散モデリングを提案する。
拡散生成モデルと生物学的複合体の柔軟性に関する科学的知識を組み合わせる。
計算化学と生物学に基づく2つの基本的な課題に対して,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2023-02-23T03:26:48Z) - 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) - Scalable Fragment-Based 3D Molecular Design with Reinforcement Learning [68.8204255655161]
分子構築に階層的エージェントを用いるスケーラブルな3D設計のための新しいフレームワークを提案する。
様々な実験において、エネルギーのみを考慮に入れたエージェントが、100以上の原子を持つ分子を効率よく生成できることが示されている。
論文 参考訳(メタデータ) (2022-02-01T18:54:24Z) - GeoMol: Torsional Geometric Generation of Molecular 3D Conformer
Ensembles [60.12186997181117]
分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。
既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。
エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
論文 参考訳(メタデータ) (2021-06-08T14:17:59Z) - An End-to-End Framework for Molecular Conformation Generation via
Bilevel Programming [71.82571553927619]
分子コンフォメーション予測のためのエンドツーエンドソリューションであるconfvaeを提案する。
具体的には、まず分子グラフを潜時空間に符号化し、3次元構造は原理化された二段階最適化プログラムを解くことによって生成される。
論文 参考訳(メタデータ) (2021-05-15T15:22:29Z) - 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) - 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) - Characterizing the Latent Space of Molecular Deep Generative Models with
Persistent Homology Metrics [21.95240820041655]
変分オート(VAE)は、エンコーダとデコーダのネットワークペアをトレーニングデータ分散の再構築のために訓練する生成モデルである。
本研究では, 深部生成モデルの潜伏空間が, 構造的および化学的特徴をエンコードできるかどうかを計測する手法を提案する。
論文 参考訳(メタデータ) (2020-10-18T13:33:02Z)
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。