論文の概要: Bridging Text and Molecule: A Survey on Multimodal Frameworks for Molecule

• arxiv url: http://arxiv.org/abs/2403.13830v1
• Date: Thu, 7 Mar 2024 03:03:13 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-25 07:07:37.441347
• Title: Bridging Text and Molecule: A Survey on Multimodal Frameworks for Molecule
• Title（参考訳）: ブリジングテキストと分子: 分子のマルチモーダルフレームワークに関する調査
• Authors: Yi Xiao, Xiangxin Zhou, Qiang Liu, Liang Wang,
• Abstract要約: 本稿では,分子研究のためのマルチモーダルフレームワークに関する最初の体系的研究について述べる。 分子深層学習の発展から始まり、テキストモダリティの関与の必要性を指摘する。 さらに, 大規模言語モデルの利用, 分子課題の促進, 創薬における重要な応用について検討した。
• 参考スコア（独自算出の注目度）: 16.641797535842752
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial intelligence has demonstrated immense potential in scientific research. Within molecular science, it is revolutionizing the traditional computer-aided paradigm, ushering in a new era of deep learning. With recent progress in multimodal learning and natural language processing, an emerging trend has targeted at building multimodal frameworks to jointly model molecules with textual domain knowledge. In this paper, we present the first systematic survey on multimodal frameworks for molecules research. Specifically,we begin with the development of molecular deep learning and point out the necessity to involve textual modality. Next, we focus on recent advances in text-molecule alignment methods, categorizing current models into two groups based on their architectures and listing relevant pre-training tasks. Furthermore, we delves into the utilization of large language models and prompting techniques for molecular tasks and present significant applications in drug discovery. Finally, we discuss the limitations in this field and highlight several promising directions for future research.
• Abstract（参考訳）: 人工知能は科学研究において大きな可能性を証明している。 分子科学の分野では、従来のコンピュータ支援パラダイムに革命をもたらし、新たなディープラーニングの時代を迎えている。 近年のマルチモーダル学習と自然言語処理の進歩により、テキストドメイン知識で分子を協調的にモデル化するマルチモーダルフレームワークの構築が目指されている。 本稿では,分子研究のためのマルチモーダルフレームワークに関する最初の体系的研究について述べる。 具体的には、分子深層学習の発展から始まり、テキストモダリティの関与の必要性を指摘する。 次に、テキスト・分子アライメント手法の最近の進歩に注目し、現在のモデルをアーキテクチャに基づいて2つのグループに分類し、関連する事前学習タスクを列挙する。 さらに, 大規模言語モデルの利用, 分子課題の促進, 創薬における重要な応用について検討した。 最後に,本分野の限界について論じ,今後の研究に向けてのいくつかの有望な方向性を強調した。

関連論文リスト

• 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)
• Leveraging Biomolecule and Natural Language through Multi-Modal Learning: A Survey [75.47055414002571]
  生物分子モデリングと自然言語(BL)の統合は、人工知能、化学、生物学の交差点において有望な学際領域として現れてきた。 生体分子と自然言語の相互モデリングによって達成された最近の進歩について分析する。
  論文  参考訳（メタデータ） (2024-03-03T14:59:47Z)
• Interactive Molecular Discovery with Natural Language [69.89287960545903]
  対象分子を記述・編集するための自然言語を用いた対話型分子設計を提案する。 この課題をより良くするために、実験プロパティ情報を注入することによって強化された知識的で汎用的な生成事前学習モデルChatMolを設計する。
  論文  参考訳（メタデータ） (2023-06-21T02:05:48Z)
• Multi-modal Molecule Structure-text Model for Text-based Retrieval and Editing [107.49804059269212]
  分子の化学構造とテキスト記述を共同で学習し, マルチモーダルな分子構造テキストモデル, MoleculeSTMを提案する。 実験において、分子STMは、新しい生化学的概念を創出するための最先端の一般化能力を得る。
  論文  参考訳（メタデータ） (2022-12-21T06:18:31Z)
• Bidirectional Generation of Structure and Properties Through a Single Molecular Foundation Model [44.60174246341653]
  本稿では, 構造と生化学的性質を組み込んだ, 新規なマルチモーダル分子事前学習モデルを提案する。 提案するデータハンドリングおよびトレーニング目的のモデルパイプラインは、共通埋め込み空間における構造/プロパティの特徴を整合させる。 これらのコントリビューションは相乗的知識を生み出し、単一のモデルでマルチモーダルと非モーダルの両方の下流タスクに取り組むことができる。
  論文  参考訳（メタデータ） (2022-11-19T05:16:08Z)
• 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)
• Foundations and Recent Trends in Multimodal Machine Learning: Principles, Challenges, and Open Questions [68.6358773622615]
  本稿では,マルチモーダル機械学習の計算的基礎と理論的基礎について概説する。 本稿では,表現,アライメント,推論,生成,伝達,定量化という,6つの技術課題の分類法を提案する。 最近の技術的成果は、この分類のレンズを通して示され、研究者は新しいアプローチの類似点と相違点を理解することができる。
  論文  参考訳（メタデータ） (2022-09-07T19:21:19Z)
• Knowledge-informed Molecular Learning: A Survey on Paradigm Transfer [20.893861195128643]
  機械学習、特にディープラーニングは、生化学領域における分子研究を著しく推進している。 伝統的に、そのような研究のためのモデリングは、いくつかのパラダイムを中心に行われてきた。 純粋にデータ駆動モデルの生成と解読性を高めるため、研究者はこれらの分子研究モデルに生化学的ドメイン知識を組み込んだ。
  論文  参考訳（メタデータ） (2022-02-17T06:18:02Z)
• A Perspective on Deep Learning for Molecular Modeling and Simulations [8.891007063629187]
  分子物理学の観点から,従来のディープラーニングモデルの限界に注目した。 我々は、教師なしから教師なし、強化学習まで、いくつかの代表的な応用を要約した。 我々は、現在のディープ分子モデリングの枠組みにおける既存の問題に対処する上で役立つ有望な方向性を概観する。
  論文  参考訳（メタデータ） (2020-04-25T22:58:25Z)

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。