論文の概要: PlayMolecule pKAce: Small Molecule Protonation through Equivariant Neural Networks

• arxiv url: http://arxiv.org/abs/2407.11103v1
• Date: Mon, 15 Jul 2024 13:22:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-17 19:50:52.978818
• Title: PlayMolecule pKAce: Small Molecule Protonation through Equivariant Neural Networks
• Title（参考訳）: PlayMolecule pKAce:等変ニューラルネットワークによる小分子プロトン化
• Authors: Nikolai Schapin, Maciej Majewski, Mariona Torrens-Fontanals, Gianni De Fabritiis,
• Abstract要約: pKAceは分子のプロトン化部位のマイクロpKa値を予測する新しいウェブアプリケーションである。 このモデルの適応バージョンは、トレーニングデータのごく一部をトレーニングしながら、確立したモデルに匹敵する最先端のパフォーマンスを達成できることを示す。
• 参考スコア（独自算出の注目度）: 2.874893537471256
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Small molecule protonation is an important part of the preparation of small molecules for many types of computational chemistry protocols. For this, a correct estimation of the pKa values of the protonation sites of molecules is required. In this work, we present pKAce, a new web application for the prediction of micro-pKa values of the molecules' protonation sites. We adapt the state-of-the-art, equivariant, TensorNet model originally developed for quantum mechanics energy and force predictions to the prediction of micro-pKa values. We show that an adapted version of this model can achieve state-of-the-art performance comparable with established models while trained on just a fraction of their training data.
• Abstract（参考訳）: 小分子プロトン化は、様々な種類の計算化学プロトコルのための小分子の調製において重要な部分である。 そのため、分子のプロトン化部位のpKa値を正しく推定する必要がある。 本研究では,分子のプロトン化部位のマイクロpKa値の予測のための新しいWebアプリケーションpKAceを提案する。 我々は、もともと量子力学エネルギーと力による予測のために開発されたTensorNetモデルを、マイクロpKa値の予測に適用する。 このモデルの適応バージョンは、トレーニングデータのごく一部をトレーニングしながら、確立したモデルに匹敵する最先端のパフォーマンスを達成できることを示す。

関連論文リスト

• Nutmeg and SPICE: Models and Data for Biomolecular Machine Learning [1.747623282473278]
  SPICEデータセットは、機械学習ポテンシャルをトレーニングするための量子化学計算の集合である。 我々は、その上にNutmegと呼ばれるポテンシャルエネルギー関数のセットを訓練する。
  論文  参考訳（メタデータ） (2024-06-18T23:54:21Z)
• Molecule Design by Latent Prompt Transformer [76.2112075557233]
  本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。 本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-27T03:33:23Z)
• 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)
• Towards Predicting Equilibrium Distributions for Molecular Systems with Deep Learning [60.02391969049972]
  本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。 DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
  論文  参考訳（メタデータ） (2023-06-08T17:12:08Z)
• MolCPT: Molecule Continuous Prompt Tuning to Generalize Molecular Representation Learning [77.31492888819935]
  分子表現学習のための「プリトレイン,プロンプト,ファインチューン」という新しいパラダイム,分子連続プロンプトチューニング(MolCPT)を提案する。 MolCPTは、事前訓練されたモデルを使用して、スタンドアロンの入力を表現的なプロンプトに投影するモチーフプロンプト関数を定義する。 いくつかのベンチマークデータセットの実験により、MollCPTは分子特性予測のために学習済みのGNNを効率的に一般化することが示された。
  論文  参考訳（メタデータ） (2022-12-20T19:32:30Z)
• PEMP: Leveraging Physics Properties to Enhance Molecular Property Prediction [33.715410811008375]
  本研究では, 分子特性予測法(PEMP)を提案する。 PEMPの多タスク学習と移動学習の2つの異なる手法を設計する。 公開ベンチマークであるMoleculeNetの実験結果から,提案手法は対応する最先端モデルよりも優れた性能を示すことが示された。
  論文  参考訳（メタデータ） (2022-10-18T07:40:58Z)
• Pre-training Transformers for Molecular Property Prediction Using Reaction Prediction [0.0]
  トランスファーラーニングはコンピュータビジョンや自然言語処理といった分野に大きな影響を与えた。 反応データを用いた分子表現学習のための事前学習手法を提案する。 未学習のベースラインモデルと比較して,12タスクのうち5タスクに対して統計的に有意な正の効果を示した。
  論文  参考訳（メタデータ） (2022-07-06T14:51:38Z)
• Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
  分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。 近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。 本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-05-17T13:08:28Z)
• Using Restricted Boltzmann Machines to Model Molecular Geometries [0.0]
  本稿では,ボルツマンマシンの高速学習能力と表現力を利用して,物理パラメータ群をモデル化するための新しい手法を提案する。 本稿では,Tanhアクティベーション機能に基づく新しいRBMについて紹介し,異なるアクティベーション機能を有するRBMの比較を行う。 我々は、水やエタンなどの小さな分子をモデル化するガウスRBMの能力を示す。
  論文  参考訳（メタデータ） (2020-12-13T07:02:32Z)
• Benchmarking adaptive variational quantum eigensolvers [63.277656713454284]
  VQEとADAPT-VQEの精度をベンチマークし、電子基底状態とポテンシャルエネルギー曲線を計算する。 どちらの手法もエネルギーと基底状態の優れた推定値を提供する。 勾配に基づく最適化はより経済的であり、勾配のない類似シミュレーションよりも優れた性能を提供する。
  論文  参考訳（メタデータ） (2020-11-02T19:52:04Z)

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。