Fugu-MT 論文翻訳(概要): MaskMol: Knowledge-guided Molecular Image Pre-Training Framework for Activity Cliffs

論文の概要: MaskMol: Knowledge-guided Molecular Image Pre-Training Framework for Activity Cliffs

arxiv url: http://arxiv.org/abs/2409.12926v1
Date: Mon, 2 Sep 2024 03:03:22 GMT
ステータス: 処理完了
システム内更新日: 2024-11-07 12:48:01.424892
Title: MaskMol: Knowledge-guided Molecular Image Pre-Training Framework for Activity Cliffs
Title（参考訳）: MaskMol: アクティビティ・クリフのための知識誘導型分子画像事前学習フレームワーク
Authors: Zhixiang Cheng, Hongxin Xiang, Pengsen Ma, Li Zeng, Xin Jin, Xixi Yang, Jianxin Lin, Yang Deng, Bosheng Song, Xinxin Feng, Changhui Deng, Xiangxiang Zeng,
Abstract要約: MaskMolは知識誘導型分子画像自己教師型学習フレームワークである。 MaskMolは、複数のレベルの分子知識を考慮し、分子画像の表現を正確に学習する。その結果,MaskMolの活性崖推定および複合有効性予測における高精度かつ伝達性を示した。
参考スコア（独自算出の注目度）: 18.901322124389218
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Activity cliffs, which refer to pairs of molecules that are structurally similar but show significant differences in their potency, can lead to model representation collapse and make the model challenging to distinguish them. Our research indicates that as molecular similarity increases, graph-based methods struggle to capture these nuances, whereas image-based approaches effectively retain the distinctions. Thus, we developed MaskMol, a knowledge-guided molecular image self-supervised learning framework. MaskMol accurately learns the representation of molecular images by considering multiple levels of molecular knowledge, such as atoms, bonds, and substructures. By utilizing pixel masking tasks, MaskMol extracts fine-grained information from molecular images, overcoming the limitations of existing deep learning models in identifying subtle structural changes. Experimental results demonstrate MaskMol's high accuracy and transferability in activity cliff estimation and compound potency prediction across 20 different macromolecular targets, outperforming 25 state-of-the-art deep learning and machine learning approaches. Visualization analyses reveal MaskMol's high biological interpretability in identifying activity cliff-relevant molecular substructures. Notably, through MaskMol, we identified candidate EP4 inhibitors that could be used to treat tumors. This study not only raises awareness about activity cliffs but also introduces a novel method for molecular image representation learning and virtual screening, advancing drug discovery and providing new insights into structure-activity relationships (SAR).
Abstract（参考訳）: 活性崖(英: Activity cliffs)は、構造的に類似しているが、その機能に顕著な違いを示す分子の対を指すもので、モデル表現の崩壊を招き、モデルを区別することが困難になる。我々の研究は、分子の類似性が増加するにつれて、グラフベースの手法はこれらのニュアンスを捉えるのに苦労する一方で、画像ベースのアプローチは事実上区別を保っていることを示唆している。そこで我々は知識誘導型分子画像自己教師型学習フレームワークMaskMolを開発した。 MaskMolは、原子、結合、サブ構造といった複数のレベルの分子知識を考慮し、分子画像の表現を正確に学習する。ピクセルマスキングタスクを利用することで、MaskMolは分子画像からきめ細かい情報を抽出し、微妙な構造変化を特定するために既存のディープラーニングモデルの限界を克服する。実験結果から,20のマクロ分子標的における活動崖推定と複合機能予測におけるMaskMolの精度と伝達性を示し,25の最先端ディープラーニングおよび機械学習アプローチを上回った。可視化分析は、活動崖関連分子サブ構造を同定する上で、MaskMolの高い生物学的解釈可能性を明らかにする。特に MaskMol を用いて腫瘍治療に用いられる候補EP4阻害剤を同定した。本研究は, 活動崖に対する意識を高めるだけでなく, 分子画像表現学習と仮想スクリーニング, 薬物発見の進展, 構造活性関係(SAR)の新たな洞察をもたらす新しい手法も導入する。

関連論文リスト

FARM: Functional Group-Aware Representations for Small Molecules [55.281754551202326]
小型分子のための機能的グループ認識表現(FARM)について紹介する。 FARMはSMILES、自然言語、分子グラフのギャップを埋めるために設計された基礎モデルである。 MoleculeNetデータセット上でFARMを厳格に評価し、12タスク中10タスクで最先端のパフォーマンスを実現しています。
論文参考訳（メタデータ） (2024-10-02T23:04:58Z)
Learning Multi-view Molecular Representations with Structured and Unstructured Knowledge [14.08112359246334]
本稿では, 化学構造から多視点分子知識を抽出する表現学習モデルMV-Mol, バイオメディカルテキストからの非構造化知識, 知識グラフからの構造化知識について述べる。 MV-Molは分子特性予測に有効であることを示す。
論文参考訳（メタデータ） (2024-06-14T08:48:10Z)
Data-Efficient Molecular Generation with Hierarchical Textual Inversion [48.816943690420224]
分子生成のための階層型テキスト変換法 (HI-Mol) を提案する。 HI-Molは分子分布を理解する上での階層的情報、例えば粗い特徴ときめ細かい特徴の重要性にインスパイアされている。単一レベルトークン埋め込みを用いた画像領域の従来のテキストインバージョン法と比較して, マルチレベルトークン埋め込みにより, 基礎となる低ショット分子分布を効果的に学習することができる。
論文参考訳（メタデータ） (2024-05-05T08:35:23Z)
Contrastive Dual-Interaction Graph Neural Network for Molecular Property Prediction [0.0]
本稿では,分子特性予測のための自己教師付きグラフニューラルネットワークフレームワークであるDIG-Molを紹介する。 DIG-Molは2つの相互接続ネットワークと運動量蒸留ネットワークを統合し、分子特性を効率的に改善する。我々は,様々な分子特性予測タスクにおける広範囲な実験的評価により,DIG-Molの最先端性能を確立した。
論文参考訳（メタデータ） (2024-05-04T10:09:27Z)
MultiModal-Learning for Predicting Molecular Properties: A Framework Based on Image and Graph Structures [2.5563339057415218]
MolIGは、画像とグラフ構造に基づいて分子特性を予測するための、新しいMultiModaL分子事前学習フレームワークである。両者の分子表現の強さを融合させる。ベンチマークグループ内の分子特性予測に関連する下流タスクでは、パフォーマンスが向上する。
論文参考訳（メタデータ） (2023-11-28T10:28:35Z)
MolCAP: Molecular Chemical reActivity pretraining and prompted-finetuning enhanced molecular representation learning [3.179128580341411]
MolCAPは、化学反応性(IMR)知識に基づくグラフ事前学習トランスフォーマーであり、微調整を誘導する。 MolCAPによって推進され、基礎的なグラフニューラルネットワークでさえ、以前のモデルを上回る驚くべきパフォーマンスを達成することができる。
論文参考訳（メタデータ） (2023-06-13T13:48:06Z)
Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [55.42602325017405]
本稿では,分子の2レベル構造を考慮した新しいGODE法を提案する。異なるグラフ構造上で2つのグラフニューラルネットワーク(GNN)を事前訓練し、対照的な学習と組み合わせることで、GODEは分子構造を対応する知識グラフサブ構造と融合させる。 11の化学特性タスクを微調整した場合、我々のモデルは既存のベンチマークよりも優れており、分類タスクの平均ROC-AUCアップリフトは13.8%、回帰タスクの平均RMSE/MAEエンハンスメントは35.1%である。
論文参考訳（メタデータ） (2023-06-02T15:49:45Z)
Atomic and Subgraph-aware Bilateral Aggregation for Molecular Representation Learning [57.670845619155195]
我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。 ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
論文参考訳（メタデータ） (2023-05-22T00:56:00Z)
A Molecular Multimodal Foundation Model Associating Molecule Graphs with Natural Language [63.60376252491507]
本稿では,分子グラフとその意味的関連テキストデータから事前学習した分子マルチモーダル基礎モデルを提案する。我々のモデルは、生物学、化学、材料、環境、医学などの分野において、AIを動力とする分野に幅広い影響を与えるだろうと考えています。
論文参考訳（メタデータ） (2022-09-12T00:56:57Z)
Attention-wise masked graph contrastive learning for predicting molecular property [15.387677968070912]
大規模無ラベル分子のための自己教師付き表現学習フレームワークを提案する。我々は,注目グラフマスクと呼ばれる新しい分子グラフ拡張戦略を開発した。我々のモデルは重要な分子構造と高次意味情報を捉えることができる。
論文参考訳（メタデータ） (2022-05-02T00:28:02Z)
ASGN: An Active Semi-supervised Graph Neural Network for Molecular Property Prediction [61.33144688400446]
本稿では,ラベル付き分子とラベルなし分子の両方を組み込んだ,アクティブ半教師付きグラフニューラルネットワーク(ASGN)を提案する。教師モデルでは,分子構造や分子分布から情報を共同で活用する汎用表現を学習するための,新しい半教師付き学習手法を提案する。最後に,分子多様性の観点から,フレームワーク学習全体を通して情報的データを選択するための新しい能動的学習戦略を提案する。
論文参考訳（メタデータ） (2020-07-07T04:22:39Z)

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。