論文の概要: Preference Optimization for Molecule Synthesis with Conditional Residual Energy-based Models

• arxiv url: http://arxiv.org/abs/2406.02066v1
• Date: Tue, 4 Jun 2024 07:49:30 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-05 17:21:12.772478
• Title: Preference Optimization for Molecule Synthesis with Conditional Residual Energy-based Models
• Title（参考訳）: 条件付き残留エネルギーモデルを用いた分子合成の優先最適化
• Authors: Songtao Liu, Hanjun Dai, Yue Zhao, Peng Liu,
• Abstract要約: 現在のデータ駆動戦略では、トップボトム方式で合成経路を予測するために、ワンステップのレトロモデルと検索アルゴリズムを採用している。 既存の戦略では、材料コスト、収量、ステップ数といった可能な基準に基づいて合成経路の生成を制御できない。 本稿では, コンディショナル残エネルギーモデル(EBM)を用いて, 合成経路全体の品質に焦点をあてた, 汎用的, 原則的枠組みを提案する。
• 参考スコア（独自算出の注目度）: 35.314442982529904
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Molecule synthesis through machine learning is one of the fundamental problems in drug discovery. Current data-driven strategies employ one-step retrosynthesis models and search algorithms to predict synthetic routes in a top-bottom manner. Despite their effective performance, these strategies face limitations in the molecule synthetic route generation due to a greedy selection of the next molecule set without any lookahead. Furthermore, existing strategies cannot control the generation of synthetic routes based on possible criteria such as material costs, yields, and step count. In this work, we propose a general and principled framework via conditional residual energy-based models (EBMs), that focus on the quality of the entire synthetic route based on the specific criteria. By incorporating an additional energy-based function into our probabilistic model, our proposed algorithm can enhance the quality of the most probable synthetic routes (with higher probabilities) generated by various strategies in a plug-and-play fashion. Extensive experiments demonstrate that our framework can consistently boost performance across various strategies and outperforms previous state-of-the-art top-1 accuracy by a margin of 2.5%. Code is available at https://github.com/SongtaoLiu0823/CREBM.
• Abstract（参考訳）: 機械学習による分子合成は、薬物発見の根本的な問題の1つである。 現在のデータ駆動型戦略では、トップボトム方式で合成経路を予測するために、一段階の逆合成モデルと探索アルゴリズムを使用している。 効果的な性能にもかかわらず、これらの戦略は分子合成経路生成の限界に直面している。 さらに、既存の戦略では、材料コスト、収量、歩数といった可能な基準に基づき、合成経路の生成を制御できない。 本研究では, 条件付き残留エネルギーベースモデル(EBMs)を用いて, 特定の基準に基づいて, 合成経路全体の品質に焦点をあてた, 汎用的で原則化された枠組みを提案する。 我々の確率モデルにエネルギー関数を付加することにより、提案アルゴリズムは、様々な戦略によって生成される最も確率の高い合成経路(高い確率)の品質を向上させることができる。 大規模な実験により、我々のフレームワークは様々な戦略をまたいだパフォーマンスを継続的に向上させ、最先端のトップ1の精度を2.5%向上させることが実証された。 コードはhttps://github.com/SongtaoLiu0823/CREBMで入手できる。

関連論文リスト

• Quantum-inspired Reinforcement Learning for Synthesizable Drug Design [20.00111975801053]
  本稿では, 量子インスパイアされた擬似アニール型ニューラルネットワークを用いた強化学習手法を用いて, 化学構造の離散空間をインテリジェントにナビゲートする手法を提案する。 具体的には、ポリシーニューラルネットワークを用いた決定論的REINFORCEアルゴリズムを用いて、状態遷移と局所探索を誘導する遷移確率を出力する。 提案手法は10Kのクエリ予算を持つPMOベンチマークフレームワークを用いて評価する。
  論文  参考訳（メタデータ） (2024-09-13T20:43:16Z)
• BatGPT-Chem: A Foundation Large Model For Retrosynthesis Prediction [65.93303145891628]
  BatGPT-Chemは150億のパラメータを持つ大規模な言語モデルであり、再合成予測の強化に最適化されている。 我々のモデルは幅広い化学知識を捉え、反応条件の正確な予測を可能にする。 この開発により、化学者は新しい化合物を十分に扱うことができ、医薬品製造と材料科学の革新サイクルを早める可能性がある。
  論文  参考訳（メタデータ） (2024-08-19T05:17:40Z)
• Double-Ended Synthesis Planning with Goal-Constrained Bidirectional Search [27.09693306892583]
  材料制約を始点とする合成計画の定式化について述べる。 本稿では,双方向グラフ探索方式に基づく新しいCASPアルゴリズムであるDouble-Ended Synthesis Planning (DESP)を提案する。 DESPは既存のワンステップ逆合成モデルを利用することができ、これらのワンステップモデルの性能が向上するにつれて、その性能が拡大すると予想する。
  論文  参考訳（メタデータ） (2024-07-08T18:56:00Z)
• DirectMultiStep: Direct Route Generation for Multi-Step Retrosynthesis [0.0]
  本稿では, 先行する全ての分子を条件付きで予測することで, 多段階合成経路を単一文字列として生成するトランスフォーマーモデルを提案する。 このモデルは、所望のステップ数や開始材料、PaRoutesデータセットの最先端メソッドなど、特定の条件を満たす。 また、FDAが承認した薬物がトレーニングデータに含まれていないルートの予測も成功し、その一般化能力を示している。
  論文  参考訳（メタデータ） (2024-05-22T20:39:05Z)
• SynthMix: Mixing up Aligned Synthesis for Medical Cross-Modality Domain Adaptation [17.10686650166592]
  自然かつ効果的なトレーニングポリシを備えたアドオンモジュールであるSynthMixを提案する。 GANの敵対的哲学に従い、我々はSynthMixと呼ばれる混合合成スキームを設計した。 実際のサンプルと合成サンプルの整列したイメージをコヒーレントに混ぜて、きめ細かい特徴の生成を刺激した。
  論文  参考訳（メタデータ） (2023-05-07T01:37:46Z)
• Maximum Likelihood Learning of Unnormalized Models for Simulation-Based Inference [44.281860162298564]
  シミュレーションベース推論のための2つの合成確率法を提案する。 本研究では,シミュレータによって生成された合成データを用いて,条件付きエネルギーベースモデル(EBM)を学習する。 本研究は, カニの神経科学ネットワークのモデルに適用し, 各種合成データセット上での両手法の特性を実証する。
  論文  参考訳（メタデータ） (2022-10-26T14:38:24Z)
• FusionRetro: Molecule Representation Fusion via In-Context Learning for Retrosynthetic Planning [58.47265392465442]
  再合成計画(Retrosynthetic Planning)は、開始物質から標的分子への完全な多段階合成経路を考案することを目的としている。 現在の戦略では、単一ステップの逆合成モデルと探索アルゴリズムの分離されたアプローチを採用している。 本稿では,文脈情報を利用した新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-30T08:44:58Z)
• Molecular Attributes Transfer from Non-Parallel Data [57.010952598634944]
  分子最適化をスタイル伝達問題として定式化し、非並列データの2つのグループ間の内部差を自動的に学習できる新しい生成モデルを提案する。 毒性修飾と合成性向上という2つの分子最適化タスクの実験により,本モデルがいくつかの最先端手法を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2021-11-30T06:10:22Z)
• Energy-based View of Retrosynthesis [70.66156081030766]
  エネルギーモデルとしてシーケンスおよびグラフベースの手法を統一するフレームワークを提案する。 本稿では,ベイズ前方および後方予測に対して一貫した訓練を行うフレームワーク内での新しい二重変種を提案する。 このモデルは、反応型が不明なテンプレートフリーアプローチに対して、最先端の性能を9.6%向上させる。
  論文  参考訳（メタデータ） (2020-07-14T18:51:06Z)
• Retro*: Learning Retrosynthetic Planning with Neural Guided A* Search [83.22850633478302]
  反合成計画(retrosynthetic planning)は、ターゲット生成物の合成に繋がる一連の反応を特定する。 既存の手法では、高いばらつきを持つロールアウトによる高価なリターン推定が必要か、品質よりも探索速度を最適化する必要がある。 本稿では,高品質な合成経路を効率よく見つけるニューラルネットワークA*ライクなアルゴリズムRetro*を提案する。
  論文  参考訳（メタデータ） (2020-06-29T05:53:33Z)

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。