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
- MolGrapher: Graph-based Visual Recognition of Chemical Structures [50.13749978547401]
化学構造を視覚的に認識するためにMolGrapherを導入する。
すべての候補原子と結合をノードとして扱い、それらをグラフ化する。
グラフニューラルネットワークを用いてグラフ内の原子と結合ノードを分類する。
論文 参考訳(メタデータ) (2023-08-23T16:16:11Z) - GIT-Mol: A Multi-modal Large Language Model for Molecular Science with
Graph, Image, and Text [25.979382232281786]
グラフ,画像,テキスト情報を統合したマルチモーダルな大規模言語モデルであるGIT-Molを紹介する。
特性予測の精度は5%-10%向上し、分子生成の妥当性は20.2%向上した。
論文 参考訳(メタデータ) (2023-08-14T03:12:29Z) - 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) - 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) - 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) - Graph-based Molecular Representation Learning [59.06193431883431]
分子表現学習(MRL)は、機械学習と化学科学を結びつけるための重要なステップである。
近年、MRLは、特に深層分子グラフ学習に基づく手法において、かなりの進歩を遂げている。
論文 参考訳(メタデータ) (2022-07-08T17:43:20Z) - 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) - 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) - A Deep Generative Model for Fragment-Based Molecule Generation [21.258861822241272]
フラグメントと呼ばれる小さな分子サブ構造のための言語モデルを開発した。
言い換えれば、原子のフラグメントではなく、フラグメントによって分子のフラグメントを生成します。
実験により、我々のモデルは、他の言語モデルベースの競合よりも優れていることが示された。
論文 参考訳(メタデータ) (2020-02-28T15:55:11Z)
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。