論文の概要: Atom-Level Optical Chemical Structure Recognition with Limited Supervision

• arxiv url: http://arxiv.org/abs/2404.01743v1
• Date: Tue, 2 Apr 2024 09:01:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-03 17:18:56.596684
• Title: Atom-Level Optical Chemical Structure Recognition with Limited Supervision
• Title（参考訳）: 限定スーパービジョンによる原子レベル光化学構造認識
• Authors: Martijn Oldenhof, Edward De Brouwer, Adam Arany, Yves Moreau,
• Abstract要約: 本稿では,最先端性能を実現する新しい化学構造認識ツールを提案する。 従来の手法とは異なり、本手法は原子レベルの局所化を提供する。 我々のモデルは、SMILESの監督のみで原子レベルの実体検出を行い、OCSRを実行する最初のモデルである。
• 参考スコア（独自算出の注目度）: 14.487346160322653
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Identifying the chemical structure from a graphical representation, or image, of a molecule is a challenging pattern recognition task that would greatly benefit drug development. Yet, existing methods for chemical structure recognition do not typically generalize well, and show diminished effectiveness when confronted with domains where data is sparse, or costly to generate, such as hand-drawn molecule images. To address this limitation, we propose a new chemical structure recognition tool that delivers state-of-the-art performance and can adapt to new domains with a limited number of data samples and supervision. Unlike previous approaches, our method provides atom-level localization, and can therefore segment the image into the different atoms and bonds. Our model is the first model to perform OCSR with atom-level entity detection with only SMILES supervision. Through rigorous and extensive benchmarking, we demonstrate the preeminence of our chemical structure recognition approach in terms of data efficiency, accuracy, and atom-level entity prediction.
• Abstract（参考訳）: 分子のグラフィカルな表現やイメージから化学構造を同定することは、薬物開発に大きな恩恵をもたらす、困難なパターン認識タスクである。 しかし、既存の化学構造認識法は一般的には一般化せず、データが少ない領域や、手書きの分子画像のような生成にコストがかかる領域に直面すると効果が低下する。 この制限に対処するため、我々は最先端の性能を提供し、限られた数のデータサンプルと監視を行う新しい領域に適応できる新しい化学構造認識ツールを提案する。 従来の手法とは異なり、この手法は原子レベルの局所化を提供し、したがって画像を異なる原子と結合に分割することができる。 我々のモデルは、SMILESの監督のみで原子レベルの実体検出を行い、OCSRを実行する最初のモデルである。 厳密で広範囲なベンチマークを通じて、データ効率、精度、原子レベルの実体予測の観点から、化学構造認識アプローチの優位性を実証する。

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)
• Pre-trained Molecular Language Models with Random Functional Group Masking [54.900360309677794]
  SMILESをベースとしたアンダーリネム分子アンダーリネム言語アンダーリネムモデルを提案し,特定の分子原子に対応するSMILESサブシーケンスをランダムにマスキングする。 この技術は、モデルに分子構造や特性をよりよく推測させ、予測能力を高めることを目的としている。
  論文  参考訳（メタデータ） (2024-11-03T01:56:15Z)
• SMiCRM: A Benchmark Dataset of Mechanistic Molecular Images [0.8192907805418583]
  本稿では,アロープッシングアノテーションを用いた化学分子の機械認識能力をベンチマークするためのデータセットを提案する。 このデータセットには、各画像に対する機械可読な分子アイデンティティと、化学反応中に電子の流れを示す機械的矢印が含まれている。
  論文  参考訳（メタデータ） (2024-07-25T18:52:10Z)
• 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)
• Contrastive Dual-Interaction Graph Neural Network for Molecular Property Prediction [0.0]
  本稿では,分子特性予測のための自己教師付きグラフニューラルネットワークフレームワークであるDIG-Molを紹介する。 DIG-Molは2つの相互接続ネットワークと運動量蒸留ネットワークを統合し、分子特性を効率的に改善する。 我々は,様々な分子特性予測タスクにおける広範囲な実験的評価により,DIG-Molの最先端性能を確立した。
  論文  参考訳（メタデータ） (2024-05-04T10:09:27Z)
• UAlign: Pushing the Limit of Template-free Retrosynthesis Prediction with Unsupervised SMILES Alignment [51.49238426241974]
  本稿では,テンプレートのないグラフ・ツー・シーケンスパイプラインであるUAlignを紹介した。 グラフニューラルネットワークとトランスフォーマーを組み合わせることで、分子固有のグラフ構造をより効果的に活用することができる。
  論文  参考訳（メタデータ） (2024-03-25T03:23:03Z)
• MultiModal-Learning for Predicting Molecular Properties: A Framework Based on Image and Graph Structures [2.5563339057415218]
  MolIGは、画像とグラフ構造に基づいて分子特性を予測するための、新しいMultiModaL分子事前学習フレームワークである。 両者の分子表現の強さを融合させる。 ベンチマークグループ内の分子特性予測に関連する下流タスクでは、パフォーマンスが向上する。
  論文  参考訳（メタデータ） (2023-11-28T10:28:35Z)
• 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)
• Atomic and Subgraph-aware Bilateral Aggregation for Molecular Representation Learning [57.670845619155195]
  我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。 ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。 本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
  論文  参考訳（メタデータ） (2023-05-22T00:56:00Z)
• Automatic Identification of Chemical Moieties [11.50343898633327]
  本稿では, メッセージパッシングニューラルネットワークを用いて, 原子表現から化学量を自動的に同定する手法を提案する。 本手法の汎用性は, 化学データベースにおける代表成分の選択を可能にすることによって実証される。
  論文  参考訳（メタデータ） (2022-03-30T10:58:23Z)
• Semi-Supervised GCN for learning Molecular Structure-Activity Relationships [4.468952886990851]
  そこで本稿では,半教師付き学習を用いたグラフ-グラフ間ニューラルネットワークの学習手法を提案する。 最終目標として、我々のアプローチは、アクティビティ崖、リード最適化、デノボドラッグデザインといった問題に対処するための貴重なツールとなる可能性がある。
  論文  参考訳（メタデータ） (2022-01-25T09:09:43Z)

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。