論文の概要: Towards DNA-Encoded Library Generation with GFlowNets

• arxiv url: http://arxiv.org/abs/2404.10094v1
• Date: Mon, 15 Apr 2024 19:01:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-17 20:48:29.945560
• Title: Towards DNA-Encoded Library Generation with GFlowNets
• Title（参考訳）: GFlowNetsによるDNAエンコードライブラリ生成に向けて
• Authors: Michał Koziarski, Mohammed Abukalam, Vedant Shah, Louis Vaillancourt, Doris Alexandra Schuetz, Moksh Jain, Almer van der Sloot, Mathieu Bourgey, Anne Marinier, Yoshua Bengio,
• Abstract要約: DELを使用する上で重要な課題の1つは、ライブラリ設計である。 本稿では,タンパク質-タンパク質相互作用(PPI)のDEL偏りについて考察する。 我々は、変調タスク上で複数の機械学習アルゴリズムを評価し、提案したGFlowNetベースの生成手法の報酬として使用する。
• 参考スコア（独自算出の注目度）: 35.09890349911668
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: DNA-encoded libraries (DELs) are a powerful approach for rapidly screening large numbers of diverse compounds. One of the key challenges in using DELs is library design, which involves choosing the building blocks that will be combinatorially combined to produce the final library. In this paper we consider the task of protein-protein interaction (PPI) biased DEL design. To this end, we evaluate several machine learning algorithms on the PPI modulation task and use them as a reward for the proposed GFlowNet-based generative approach. We additionally investigate the possibility of using structural information about building blocks to design a hierarchical action space for the GFlowNet. The observed results indicate that GFlowNets are a promising approach for generating diverse combinatorial library candidates.
• Abstract（参考訳）: DNAエンコードライブラリー(DEL)は、多種多様な化合物を迅速にスクリーニングするための強力なアプローチである。 DELを使用する上で重要な課題の1つは、最終ライブラリを生成するために組み合わせられたビルディングブロックを選択することを含む、ライブラリ設計である。 本稿では,タンパク質-タンパク質相互作用(PPI)のDEL設計における課題について考察する。 この目的のために,PPI変調タスク上で複数の機械学習アルゴリズムを評価し,提案したGFlowNetに基づく生成手法の報奨として利用する。 また,GFlowNetの階層的なアクション空間の設計にビルディングブロックに関する構造情報を利用する可能性についても検討する。 その結果,GFlowNetsは多様な組み合わせ型ライブラリ候補を生成する上で有望なアプローチであることが示唆された。

関連論文リスト

• Improving GFlowNets with Monte Carlo Tree Search [6.497027864860203]
  近年の研究では,GFlowNetsとエントロピー規則化強化学習の強い関係が明らかにされている。 我々はモンテカルロ木探索(MCTS)を適用してGFlowNetの計画能力を高めることを提案する。 実験により,本手法により,GFlowNetトレーニングのサンプル効率と,事前学習したGFlowNetモデルの生成精度が向上することが示された。
  論文  参考訳（メタデータ） (2024-06-19T15:58:35Z)
• RGFN: Synthesizable Molecular Generation Using GFlowNets [51.33672611338754]
  本稿では,化学反応の空間内で直接動作するGFlowNetフレームワークの拡張であるReaction-GFlowNetを提案する。 RGFNは、生成した候補の同等の品質を維持しながら、アウト・オブ・ボックスの合成を可能にする。 提案手法の有効性を,事前訓練されたプロキシモデルやGPUアクセラレーションドッキングなど,さまざまなオラクルモデルに適用した。
  論文  参考訳（メタデータ） (2024-06-01T13:11:11Z)
• Let the Flows Tell: Solving Graph Combinatorial Optimization Problems with GFlowNets [86.43523688236077]
  組合せ最適化(CO)問題はしばしばNPハードであり、正確なアルゴリズムには及ばない。 GFlowNetsは、複合非正規化密度を逐次サンプリングする強力な機械として登場した。 本稿では,異なる問題に対してマルコフ決定プロセス(MDP)を設計し,条件付きGFlowNetを学習して解空間からサンプルを作成することを提案する。
  論文  参考訳（メタデータ） (2023-05-26T15:13:09Z)
• torchgfn: A PyTorch GFlowNet library [56.071033896777784]
  torchgfnはPyTorchライブラリで、このニーズに対処することを目指している。 環境のためのシンプルなAPIと、サンプルと損失のための有用な抽象化を提供する。
  論文  参考訳（メタデータ） (2023-05-24T00:20:59Z)
• An efficient graph generative model for navigating ultra-large combinatorial synthesis libraries [1.5495593104596397]
  仮想的でオンデマンドな化学ライブラリーは、化学空間の広大な合成可能な領域をアンロックすることで、早期の薬物発見を変革した。 近年、これらの図書館は数百万から数兆の化合物から急速に成長し、様々な治療標的に対する、発見されていない強力なヒットを隠蔽している。 本稿では,これらの課題を克服するために, Combinatorial Synthesis Library Variational Auto-Encoder (CSLVAE)を提案する。
  論文  参考訳（メタデータ） (2022-10-19T15:43:13Z)
• GFlowCausal: Generative Flow Networks for Causal Discovery [27.51595081346858]
  本稿では,GFlowCausalと呼ばれる観測データからDAG(Directed Acyclic Graph)を学習するための新しい手法を提案する。 GFlowCausalは、事前定義された報酬に比例した確率を持つシーケンシャルアクションによって、ハイリワードDAGを生成するための最良のポリシーを学ぶことを目的としている。 合成データセットと実データセットの両方について広範な実験を行い、提案手法が優れていることを示すとともに、大規模環境での良好な性能を示す。
  論文  参考訳（メタデータ） (2022-10-15T04:07:39Z)
• Autoregressive Search Engines: Generating Substrings as Document Identifiers [53.0729058170278]
  自動回帰言語モデルは、回答を生成するデファクト標準として現れています。 これまでの研究は、探索空間を階層構造に分割する方法を探究してきた。 本研究では,検索空間の任意の構造を強制しない代替として,経路内のすべてのngramを識別子として使用することを提案する。
  論文  参考訳（メタデータ） (2022-04-22T10:45:01Z)
• GPflux: A Library for Deep Gaussian Processes [31.207566616050574]
  GPfluxは、ディープガウス過程(DGP)に重点を置いたベイズディープラーニングのためのPythonライブラリである。 keras deep learning eco-systemと互換性があり、構築されている。 GPfluxはGPのオブジェクトと操作の大部分にGPflowに依存しており、効率的でモジュール化され拡張可能なライブラリである。
  論文  参考訳（メタデータ） (2021-04-12T17:41:18Z)
• Torch-Struct: Deep Structured Prediction Library [138.5262350501951]
  本稿では,構造化予測ライブラリTorch-Structを紹介する。 Torch-Structには,シンプルで柔軟な分散ベースのAPIを通じてアクセスされる,確率的構造の広範なコレクションが含まれている。
  論文  参考訳（メタデータ） (2020-02-03T16:43:02Z)

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。