論文の概要: Any-Property-Conditional Molecule Generation with Self-Criticism using Spanning Trees
- arxiv url: http://arxiv.org/abs/2407.09357v2
- Date: Mon, 15 Jul 2024 14:10:13 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-16 13:31:11.091742
- Title: Any-Property-Conditional Molecule Generation with Self-Criticism using Spanning Trees
- Title（参考訳）: Spanning Trees を用いた自己批判による不均一な分子生成
- Authors: Alexia Jolicoeur-Martineau, Aristide Baratin, Kisoo Kwon, Boris Knyazev, Yan Zhang,
- Abstract要約: Spanning Tree-based Graph Generation (STGG)は有効な分子の生成を保証するための有望なアプローチである。
本研究では,STGGをマルチプロパティ条件生成に拡張する。
この結果から,STGG+は分布内および分布外条件生成における最先端の性能を達成できることが示唆された。
- 参考スコア（独自算出の注目度）: 11.957429240197452
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generating novel molecules is challenging, with most representations leading to generative models producing many invalid molecules. Spanning Tree-based Graph Generation (STGG) is a promising approach to ensure the generation of valid molecules, outperforming state-of-the-art SMILES and graph diffusion models for unconditional generation. In the real world, we want to be able to generate molecules conditional on one or multiple desired properties rather than unconditionally. Thus, in this work, we extend STGG to multi-property-conditional generation. Our approach, STGG+, incorporates a modern Transformer architecture, random masking of properties during training (enabling conditioning on any subset of properties and classifier-free guidance), an auxiliary property-prediction loss (allowing the model to self-criticize molecules and select the best ones), and other improvements. We show that STGG+ achieves state-of-the-art performance on in-distribution and out-of-distribution conditional generation, and reward maximization.
- Abstract（参考訳）: 新規分子の生成は困難であり、ほとんどの表現は、多くの無効分子を生成する生成モデルに導かれる。
Spanning Tree-based Graph Generation (STGG)は、有効な分子の生成を保証するための有望なアプローチであり、非条件生成のための最先端SMILESおよびグラフ拡散モデルより優れている。
現実の世界では、無条件でではなく、1つまたは複数の所望の性質に条件付き分子を生成できることが望まれます。
そこで本研究では,STGGをマルチプロパティ条件生成に拡張する。
我々のアプローチであるSTGG+は、モダントランスフォーマーアーキテクチャ、トレーニング中のプロパティのランダムマスキング(プロパティの任意のサブセットと分類子なしガイダンスの呼び出し)、補助的なプロパティ予測損失(モデルを自己批判し、最良のものを選択することができる)、その他の改善を取り入れています。
この結果から,STGG+は分布内および分布外条件生成における最先端性能と報酬の最大化を達成できることが示唆された。
関連論文リスト
- Feedback Efficient Online Fine-Tuning of Diffusion Models [52.170384048274364]
提案手法は, 実現可能なサンプルの多様体上で効率的に探索できる新しい強化学習手法である。
本稿では,3つの領域にまたがる実証的検証とともに,後悔の保証を提供する理論的解析を提案する。
論文 参考訳（メタデータ） (2024-02-26T07:24:32Z) - A novel molecule generative model of VAE combined with Transformer for unseen structure generation [0.0]
トランスフォーマーとVAEは強力なモデルとして広く使われているが、構造的ミスマッチと性能的ミスマッチのために組み合わせて使われることは滅多にない。
本研究では, この2つのモデルを組み合わせて, 多様な分子の処理における構造とパラメータの最適化を行うモデルを提案する。
提案モデルでは, 既存の分子生成モデルに匹敵する性能を示し, 未知の構造を持つ分子生成モデルにおいて, はるかに優れた性能を示す。
論文 参考訳（メタデータ） (2024-02-19T08:46:04Z) - Zero Shot Molecular Generation via Similarity Kernels [0.6597195879147557]
ゼロショット分子生成の新しい手法である類似性に基づく分子生成(SiMGen)を提案する。
SiMGenは時間依存の類似性カーネルと事前訓練された機械学習力場からの記述子を組み合わせて分子を生成する。
また、ユーザがSiMGenで構造をオンラインで生成できるインタラクティブなWebツールもリリースしました。
論文 参考訳（メタデータ） (2024-02-13T17:53:44Z) - Molecule Design by Latent Space Energy-Based Modeling and Gradual
Distribution Shifting [53.44684898432997]
化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。
本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。
本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
論文 参考訳（メタデータ） (2023-06-09T03:04:21Z) - MolHF: A Hierarchical Normalizing Flow for Molecular Graph Generation [4.517805235253331]
MolHFは分子グラフを粗い方法で生成する新しい階層型フローベースモデルである。
MolHFは100以上の重原子を持つより大きな分子(ポリマー)をモデル化するための最初のフローベースモデルである。
論文 参考訳（メタデータ） (2023-05-15T08:59:35Z) - Exploring Chemical Space with Score-based Out-of-distribution Generation [57.15855198512551]
生成微分方程式(SDE)にアウト・オブ・ディストリビューション制御を組み込んだスコアベース拡散方式を提案する。
いくつかの新しい分子は現実世界の薬物の基本的な要件を満たしていないため、MOODは特性予測器からの勾配を利用して条件付き生成を行う。
我々はMOODがトレーニング分布を超えて化学空間を探索できることを実験的に検証し、既存の方法で見いだされた分子、そして元のトレーニングプールの上位0.01%までも生成できることを実証した。
論文 参考訳（メタデータ） (2022-06-06T06:17:11Z) - Interpretable Molecular Graph Generation via Monotonic Constraints [19.401468196146336]
ディープグラフ生成モデルは、分子設計をグラフ生成問題として扱う。
既存のモデルには多くの欠点があり、解釈性や所望の分子特性に対する制御性が低い。
本稿では,分子生成の解釈可能なモデルと深層制御可能なモデルを用いた新しい手法を提案する。
論文 参考訳（メタデータ） (2022-02-28T08:35:56Z) - Reinforced Molecular Optimization with Neighborhood-Controlled Grammars [63.84003497770347]
分子最適化のためのグラフ畳み込みポリシネットワークであるMNCE-RLを提案する。
我々は、元の近傍制御された埋め込み文法を拡張して、分子グラフ生成に適用する。
提案手法は, 分子最適化タスクの多種多様さにおいて, 最先端性能を実現する。
論文 参考訳（メタデータ） (2020-11-14T05:42:15Z) - Learning Latent Space Energy-Based Prior Model for Molecule Generation [59.875533935578375]
分子モデリングのためのSMILES表現を用いた潜時空間エネルギーに基づく先行モデルについて学習する。
本手法は,最先端モデルと競合する妥当性と特異性を持つ分子を生成することができる。
論文 参考訳（メタデータ） (2020-10-19T09:34:20Z) - MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [51.00815310242277]
生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。
本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
論文 参考訳（メタデータ） (2020-10-05T20:18:42Z)
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。