論文の概要: Lift Your Molecules: Molecular Graph Generation in Latent Euclidean Space

• arxiv url: http://arxiv.org/abs/2406.10513v1
• Date: Sat, 15 Jun 2024 05:29:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-19 00:02:58.988063
• Title: Lift Your Molecules: Molecular Graph Generation in Latent Euclidean Space
• Title（参考訳）: 分子のリフティング:後期ユークリッド空間における分子グラフ生成
• Authors: Mohamed Amine Ketata, Nicholas Gao, Johanna Sommer, Tom Wollschläger, Stephan Günnemann,
• Abstract要約: 3次元分子生成モデルを用いた新しい分子グラフ生成フレームワークを提案する。 分子グラフを合成コンホメータ座標によりユークリッド点雲にマッピングし,E(n)-等変グラフニューラルネットワーク(EGNN)を用いて逆写像を学習する。 誘導点雲構造潜在空間は既存の3次元分子生成モデルを適用するのに適している。
• 参考スコア（独自算出の注目度）: 46.11163798008912
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce a new framework for molecular graph generation with 3D molecular generative models. Our Synthetic Coordinate Embedding (SyCo) framework maps molecular graphs to Euclidean point clouds via synthetic conformer coordinates and learns the inverse map using an E(n)-Equivariant Graph Neural Network (EGNN). The induced point cloud-structured latent space is well-suited to apply existing 3D molecular generative models. This approach simplifies the graph generation problem - without relying on molecular fragments nor autoregressive decoding - into a point cloud generation problem followed by node and edge classification tasks. Further, we propose a novel similarity-constrained optimization scheme for 3D diffusion models based on inpainting and guidance. As a concrete implementation of our framework, we develop EDM-SyCo based on the E(3) Equivariant Diffusion Model (EDM). EDM-SyCo achieves state-of-the-art performance in distribution learning of molecular graphs, outperforming the best non-autoregressive methods by more than 30% on ZINC250K and 16% on the large-scale GuacaMol dataset while improving conditional generation by up to 3.9 times.
• Abstract（参考訳）: 3次元分子生成モデルを用いた新しい分子グラフ生成フレームワークを提案する。 我々の合成座標埋め込み(SyCo)フレームワークは,分子グラフを合成コンホメータ座標を用いてユークリッド点雲にマッピングし,E(n)-同変グラフニューラルネットワーク(EGNN)を用いて逆写像を学習する。 誘導点雲構造潜在空間は既存の3次元分子生成モデルを適用するのに適している。 このアプローチは、分子フラグメントや自己回帰デコードに頼ることなく、グラフ生成問題を、ノードとエッジの分類タスクに続くポイントクラウド生成問題に単純化する。 さらに,3次元拡散モデルに対する塗装と誘導に基づく新しい類似性制約付き最適化手法を提案する。 本フレームワークの具体的な実装として,EDM(Equivariant Diffusion Model)に基づくEDM-SyCoを開発した。 EDM-SyCoは、分子グラフの分布学習における最先端のパフォーマンスを達成し、ZINC250Kで30%以上、大規模GuacaMolデータセットで16%以上の非自己回帰的手法を上回り、条件生成を最大3.9倍改善する。

関連論文リスト

• BindGPT: A Scalable Framework for 3D Molecular Design via Language Modeling and Reinforcement Learning [11.862370962277938]
  本稿では,タンパク質結合部位内で3D分子を生成するために,概念的にシンプルだが強力なアプローチを用いた新規な生成モデルBindGPTを提案する。 このような単純な概念的アプローチと事前学習とスケーリングが組み合わさって、現在の最高の特殊拡散モデルよりも同等以上の性能を発揮することを示す。
  論文  参考訳（メタデータ） (2024-06-06T02:10:50Z)
• Learning Joint 2D & 3D Diffusion Models for Complete Molecule Generation [32.66694406638287]
  本研究では, 原子型, 正式な電荷, 結合情報, および3次元座標を持つ分子を生成する結合2Dおよび3D拡散モデル(JODO)を提案する。 我々のモデルは、単一または複数の量子特性をターゲットにした逆分子設計のために拡張することもできる。
  論文  参考訳（メタデータ） (2023-05-21T04:49:53Z)
• Geometric Latent Diffusion Models for 3D Molecule Generation [172.15028281732737]
  生成モデル、特に拡散モデル(DM)は、特徴豊富な測地を生成する上で有望な結果を得た。 我々はGeoLDM(Geometric Latent Diffusion Models)と呼ばれる新しい3次元分子生成法を提案する。
  論文  参考訳（メタデータ） (2023-05-02T01:07:22Z)
• MiDi: Mixed Graph and 3D Denoising Diffusion for Molecule Generation [47.15291538945242]
  この研究は、分子グラフとそれに対応する原子の3次元配置を共同生成する新しい拡散モデルであるMiDiを紹介する。 3Dコンホメーションに基づいて分子結合を決定するための事前定義された規則に依存する既存の方法とは異なり、MiDiは分子生成過程を合理化するエンドツーエンドの微分可能なアプローチを提供する。
  論文  参考訳（メタデータ） (2023-02-17T18:27:14Z)
• DiGress: Discrete Denoising diffusion for graph generation [79.13904438217592]
  DiGressは、分類ノードとエッジ属性を持つグラフを生成するための離散化拡散モデルである。 分子と非分子のデータセットで最先端のパフォーマンスを実現し、最大3倍の妥当性が向上する。 また、1.3Mの薬物様分子を含む大規模なGuacaMolデータセットにスケールする最初のモデルでもある。
  論文  参考訳（メタデータ） (2022-09-29T12:55:03Z)
• Score-based Generative Modeling of Graphs via the System of Stochastic Differential Equations [57.15855198512551]
  本稿では,連続時間フレームワークを用いたグラフのスコアベース生成モデルを提案する。 本手法は, トレーニング分布に近い分子を生成できるが, 化学価数則に違反しないことを示す。
  論文  参考訳（メタデータ） (2022-02-05T08:21:04Z)
• GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
  分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。 既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。 エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
  論文  参考訳（メタデータ） (2021-06-08T14:17:59Z)
• Conditional Constrained Graph Variational Autoencoders for Molecule Design [70.59828655929194]
  本稿では、このキーイデアを最先端のモデルで実装した、条件制約付きグラフ変分オートエンコーダ(CCGVAE)を提案する。 分子生成のために広く採用されている2つのデータセットについて、いくつかの評価指標について改善した結果を示す。
  論文  参考訳（メタデータ） (2020-09-01T21:58:07Z)

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。