論文の概要: What Ails Generative Structure-based Drug Design: Too Little or Too Much Expressivity?

• arxiv url: http://arxiv.org/abs/2408.06050v1
• Date: Mon, 12 Aug 2024 10:55:29 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-13 14:25:27.691106
• Title: What Ails Generative Structure-based Drug Design: Too Little or Too Much Expressivity?
• Title（参考訳）: 創発的な構造をベースとしたドラッグデザインはどんなものか: 表現力は小さすぎるか、多すぎるか?
• Authors: Rafał Karczewski, Samuel Kaski, Markus Heinonen, Vikas Garg,
• Abstract要約: SBDD(Structure-based drug design)を加速するために、詳細なトレーニングとサンプリング手順を備えたいくつかの生成モデルが提案されている。 我々はこの現象を理論的・経験的両面からよりよく理解したいと考えている。 タンパク質-リガンド複合体に対する最初の実験結果を確立した。 妥当な対観は、これらのモデルの過度なパラメータ化を原因として、一般化を犠牲にして表現性を誘導する。
• 参考スコア（独自算出の注目度）: 28.22384118354044
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Several generative models with elaborate training and sampling procedures have been proposed recently to accelerate structure-based drug design (SBDD); however, perplexingly, their empirical performance turns out to be suboptimal. We seek to better understand this phenomenon from both theoretical and empirical perspectives. Since most of these models apply graph neural networks (GNNs), one may suspect that they inherit the representational limitations of GNNs. We analyze this aspect, establishing the first such results for protein-ligand complexes. A plausible counterview may attribute the underperformance of these models to their excessive parameterizations, inducing expressivity at the expense of generalization. We also investigate this possibility with a simple metric-aware approach that learns an economical surrogate for affinity to infer an unlabelled molecular graph and optimizes for labels conditioned on this graph and molecular properties. The resulting model achieves state-of-the-art results using 100x fewer trainable parameters and affords up to 1000x speedup. Collectively, our findings underscore the need to reassess and redirect the existing paradigm and efforts for SBDD.
• Abstract（参考訳）: 近年,SBDD(Structure-based drug design, 構造に基づく薬物設計)を加速するために, 精密なトレーニングとサンプリングを行ういくつかの生成モデルが提案されているが, 難解なことに, その経験的性能は準最適であることが判明した。 我々はこの現象を理論的・経験的両面からよりよく理解したいと考えている。 これらのモデルの多くはグラフニューラルネットワーク(GNN)を採用しているため、GNNの表現的制限を継承しているのではないかと疑う向きもある。 我々はこの側面を分析し、タンパク質-リガンド複合体の最初の結果を確立した。 妥当な対観は、これらのモデルの過度なパラメータ化を原因として、一般化を犠牲にして表現性を誘導する。 我々はまた、この可能性について単純な計量認識アプローチで検討し、アフィニティの経済的なサロゲートを学習し、未標識の分子グラフを推測し、このグラフと分子特性で条件付けられたラベルに対して最適化する。 結果として得られたモデルは、トレーニング可能なパラメータを100倍少なくし、1000倍のスピードアップを提供する。 私たちの発見は、SBDDの既存のパラダイムと取り組みを再評価し、リダイレクトする必要性を総合的に示しています。

関連論文リスト

• HG-Adapter: Improving Pre-Trained Heterogeneous Graph Neural Networks with Dual Adapters [53.97380482341493]
  事前学習, 即時学習」は, 事前学習したヘテロジニアスグラフニューラルネットワーク(HGNN)のチューニング性能を示す。 本稿では、2つの新しいアダプタと潜在的ラベル付きデータ拡張を組み合わせた統合フレームワークを提案し、事前学習されたHGNNモデルの一般化を改善する。
  論文  参考訳（メタデータ） (2024-11-02T06:43:54Z)
• Generalization of Graph Neural Networks is Robust to Model Mismatch [84.01980526069075]
  グラフニューラルネットワーク(GNN)は、その一般化能力によってサポートされている様々なタスクにおいて、その効果を実証している。 本稿では,多様体モデルから生成される幾何グラフで動作するGNNについて検討する。 本稿では,そのようなモデルミスマッチの存在下でのGNN一般化の堅牢性を明らかにする。
  論文  参考訳（メタデータ） (2024-08-25T16:00:44Z)
• Expressivity and Generalization: Fragment-Biases for Molecular GNNs [42.64483757766247]
  Wesfeiler & Leman テストの拡張である Fragment-WL テストを提案し,フラグメントバイアス GNN の理論的解析を可能にする。 我々は,表現性を著しく向上させる新しいGNNアーキテクチャと無限語彙の断片化を開発する。 本稿では,最新のトランスアーキテクチャと比較して,モデルが優れた一般化能力を示すことを示す。
  論文  参考訳（メタデータ） (2024-06-12T13:41:07Z)
• Consistency of Neural Causal Partial Identification [17.503562318576414]
  因果モデル(Causal Models)の最近の進歩は、因果効果の同定と部分的同定が神経生成モデルによって自動的に行われるかを示した。 連続変数とカテゴリー変数の両方を持つ一般設定において、NCMによる部分的識別の整合性を証明する。 結果は、深さと接続性の観点から、基盤となるニューラルネットワークアーキテクチャの設計の影響を強調している。
  論文  参考訳（メタデータ） (2024-05-24T16:12:39Z)
• 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)
• Resisting Graph Adversarial Attack via Cooperative Homophilous Augmentation [60.50994154879244]
  最近の研究では、グラフニューラルネットワークは弱く、小さな摂動によって簡単に騙されることが示されている。 本研究では,グラフインジェクションアタック(Graph Injection Attack)という,新興だが重要な攻撃に焦点を当てる。 本稿では,グラフデータとモデルの協調的同好性増強によるGIAに対する汎用防衛フレームワークCHAGNNを提案する。
  論文  参考訳（メタデータ） (2022-11-15T11:44:31Z)
• On the Generalization and Adaption Performance of Causal Models [99.64022680811281]
  異なる因果発見は、データ生成プロセスを一連のモジュールに分解するために提案されている。 このようなモジュラニューラル因果モデルの一般化と適応性能について検討する。 我々の分析では、モジュラーニューラル因果モデルが、低データレギュレーションにおけるゼロおよび少数ショットの適応において、他のモデルよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-09T17:12:32Z)
• Improving Robustness of Graph Neural Networks with Heterophily-Inspired Designs [18.524164548051417]
  多くのグラフニューラルネットワーク(GNN)は、敵の攻撃に敏感であり、グラフ構造が意図的に乱れた場合、性能損失を被る可能性がある。 ノード特徴がホモフィリで、衝撃的な構造的攻撃が常にヘテロフィリのレベルを上昇させるという標準的なシナリオを示す。 我々は、(i)エゴエンベディングと(ii)アグリゲータの分離したアグリゲータ、および(ii)アグリゲーションの範囲を小さくすることで、GNNのロバスト性を大幅に向上させる2つの設計を提案する。
  論文  参考訳（メタデータ） (2021-06-14T21:39:36Z)
• Parameterized Hypercomplex Graph Neural Networks for Graph Classification [1.1852406625172216]
  我々は超複雑特徴変換の特性を利用するグラフニューラルネットワークを開発した。 特に、提案したモデルのクラスでは、代数自身を特定する乗法則は、トレーニング中にデータから推測される。 提案するハイパーコンプレックスgnnをいくつかのオープングラフベンチマークデータセット上でテストし,そのモデルが最先端の性能に達することを示す。
  論文  参考訳（メタデータ） (2021-03-30T18:01:06Z)
• Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
  本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。 提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-10-05T20:03:13Z)
• Improving Molecular Design by Stochastic Iterative Target Augmentation [38.44457632751997]
  分子設計における生成モデルは、豊かにパラメータ化され、データハングリーなニューラルモデルである。 分子標的を反復的に生成するための驚くほど効果的な自己学習手法を提案する。 我々の手法は、条件分子設計におけるこれまでの最先端技術よりも10%以上の絶対ゲインを達成している。
  論文  参考訳（メタデータ） (2020-02-11T22:40:04Z)

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。