論文の概要: 3M-Diffusion: Latent Multi-Modal Diffusion for Text-Guided Generation of Molecular Graphs

• arxiv url: http://arxiv.org/abs/2403.07179v1
• Date: Mon, 11 Mar 2024 21:44:54 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-13 23:32:53.694957
• Title: 3M-Diffusion: Latent Multi-Modal Diffusion for Text-Guided Generation of Molecular Graphs
• Title（参考訳）: 3m-diffusion:潜在マルチモーダル拡散による分子グラフのテキスト誘導
• Authors: Huaisheng Zhu, Teng Xiao, Vasant G Honavar
• Abstract要約: 本稿では,新しい分子グラフ生成法である3M-Diffusionを提案する。 本稿では,3M-Diffusionが提供したテキスト記述にセマンティックに適合する高品質で斬新で多様な分子グラフを生成できることを示す。
• 参考スコア（独自算出の注目度）: 20.84977867473101
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generating molecules with desired properties is a critical task with broad applications in drug discovery and materials design. Inspired by recent advances in large language models, there is a growing interest in using natural language descriptions of molecules to generate molecules with the desired properties. Most existing methods focus on generating molecules that precisely match the text description. However, practical applications call for methods that generate diverse, and ideally novel, molecules with the desired properties. We propose 3M-Diffusion, a novel multi-modal molecular graph generation method, to address this challenge. 3M-Diffusion first encodes molecular graphs into a graph latent space aligned with text descriptions. It then reconstructs the molecular structure and atomic attributes based on the given text descriptions using the molecule decoder. It then learns a probabilistic mapping from the text space to the latent molecular graph space using a diffusion model. The results of our extensive experiments on several datasets demonstrate that 3M-Diffusion can generate high-quality, novel and diverse molecular graphs that semantically match the textual description provided.
• Abstract（参考訳）: 望ましい性質を持つ分子の生成は、薬物発見や材料設計における幅広い応用において重要な課題である。 大規模言語モデルの最近の進歩に触発されて、分子の自然言語記述を使って望ましい性質を持つ分子を生成することへの関心が高まっている。 既存の手法のほとんどは、テキスト記述に正確に一致する分子を生成することに焦点を当てている。 しかし、実際的な応用は、望ましい性質を持つ多様な、理想的には新しい分子を生成する方法を要求する。 この課題に対処するために,新しい分子グラフ生成法である3M-Diffusionを提案する。 3m-diffusionはまず分子グラフをテキスト記述に合わせたグラフ潜在空間に符号化する。 その後、分子デコーダを用いて与えられたテキスト記述に基づいて分子構造と原子属性を再構成する。 その後、拡散モデルを用いてテキスト空間から潜在分子グラフ空間への確率的写像を学習する。 いくつかのデータセットに対する広範な実験の結果から、3M-拡散は、提供されるテキスト記述にセマンティックに一致する高品質で斬新で多様な分子グラフを生成できることが示された。

関連論文リスト

• Text-guided Diffusion Model for 3D Molecule Generation [26.09786612721824]
  本研究では,3次元拡散モデルを用いたテキスト誘導型小型分子生成手法であるTextSMOGを紹介する。 この方法は、テキスト条件を用いて分子生成を誘導し、安定性と多様性を両立させる。 実験結果から,テキスト記述から情報を取得し,活用するためのTextSMOGの有効性が示された。
  論文  参考訳（メタデータ） (2024-10-04T10:23:20Z)
• 3D-MolT5: Towards Unified 3D Molecule-Text Modeling with 3D Molecular Tokenization [41.07090635630771]
  3D-MolT5は1次元分子配列と3次元分子構造の両方をモデル化する統合されたフレームワークである。 鍵となる革新は、細粒度の3次元部分構造表現を特別な3次元トークン語彙にマッピングする方法論にある。 提案した3D-MolT5は,分子特性予測,分子キャプション,テキストベースの分子生成タスクにおいて,既存の手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-06-09T14:20:55Z)
• LDMol: Text-to-Molecule Diffusion Model with Structurally Informative Latent Space [55.5427001668863]
  テキスト条件付き分子生成のための遅延拡散モデル LDMol を提案する。 LDMolは、学習可能で構造的に有意な特徴空間を生成する分子オートエンコーダを含む。 我々は,LDMolを分子間検索やテキスト誘導分子編集などの下流タスクに適用できることを示す。
  論文  参考訳（メタデータ） (2024-05-28T04:59:13Z)
• SubGDiff: A Subgraph Diffusion Model to Improve Molecular Representation Learning [14.338345772161102]
  本稿では,分子サブグラフ情報を拡散に用いた新しい拡散モデルSubGDiffを提案する。 SubGDiffは、サブグラフ予測、期待状態、kステップの同じサブグラフ拡散という3つの重要な技術を採用している。 実験的に、広範囲な下流タスクは、我々のアプローチの優れた性能を示す。
  論文  参考訳（メタデータ） (2024-05-09T10:37:33Z)
• 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)
• Towards 3D Molecule-Text Interpretation in Language Models [125.56693661827181]
  3D-MoLMは、LMに3D分子エンコーダを装着することで、3D分子の解釈と解析を可能にする。 この積分は、3D分子テキストプロジェクターによって達成され、3D分子エンコーダの表現空間とLMの入力空間をブリッジする。 我々は、3D分子中心の命令チューニングデータセット -- 3D-MoITを慎重にキュレートした。
  論文  参考訳（メタデータ） (2024-01-25T03:42:00Z)
• MUDiff: Unified Diffusion for Complete Molecule Generation [104.7021929437504]
  本稿では,原子の特徴,2次元離散分子構造,および3次元連続分子座標を含む分子の包括的表現を生成する新しいモデルを提案する。 拡散過程を認知するための新しいグラフトランスフォーマーアーキテクチャを提案する。 我々のモデルは、安定で多様な分子を設計するための有望なアプローチであり、分子モデリングの幅広いタスクに適用できる。
  論文  参考訳（メタデータ） (2023-04-28T04:25:57Z)
• 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)
• A Molecular Multimodal Foundation Model Associating Molecule Graphs with Natural Language [63.60376252491507]
  本稿では,分子グラフとその意味的関連テキストデータから事前学習した分子マルチモーダル基礎モデルを提案する。 我々のモデルは、生物学、化学、材料、環境、医学などの分野において、AIを動力とする分野に幅広い影響を与えるだろうと考えています。
  論文  参考訳（メタデータ） (2022-09-12T00:56:57Z)
• Learning a Continuous Representation of 3D Molecular Structures with Deep Generative Models [0.0]
  生成モデルは、連続的な潜伏空間における分子の表現と最適化を学ぶ全く異なるアプローチである。 原子密度格子を用いた三次元分子構造の深部生成モデルについて述べる。 また、与えられた入力化合物に基づいて多様な分子の集合をサンプリングすることで、有効な薬物様分子の創出の可能性を高めることができる。
  論文  参考訳（メタデータ） (2020-10-17T01:15:47Z)

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。