論文の概要: Generative Artificial Intelligence for Navigating Synthesizable Chemical Space
- arxiv url: http://arxiv.org/abs/2410.03494v1
- Date: Fri, 04 Oct 2024 15:09:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-07 15:10:56.605017
- Title: Generative Artificial Intelligence for Navigating Synthesizable Chemical Space
- Title(参考訳): 合成可能な化学空間をナビゲートするための生成人工知能
- Authors: Wenhao Gao, Shitong Luo, Connor W. Coley,
- Abstract要約: 合成可能な化学空間を効率的に探索・ナビゲートするための生成モデリングフレームワークであるSynFormerを紹介する。
拡張性のあるトランスフォーマーアーキテクチャとブロック選択のための拡散モジュールを組み込むことで、SynFormerは合成可能な分子設計において既存のモデルを超えている。
- 参考スコア(独自算出の注目度): 25.65907958071386
- License:
- Abstract: We introduce SynFormer, a generative modeling framework designed to efficiently explore and navigate synthesizable chemical space. Unlike traditional molecular generation approaches, we generate synthetic pathways for molecules to ensure that designs are synthetically tractable. By incorporating a scalable transformer architecture and a diffusion module for building block selection, SynFormer surpasses existing models in synthesizable molecular design. We demonstrate SynFormer's effectiveness in two key applications: (1) local chemical space exploration, where the model generates synthesizable analogs of a reference molecule, and (2) global chemical space exploration, where the model aims to identify optimal molecules according to a black-box property prediction oracle. Additionally, we demonstrate the scalability of our approach via the improvement in performance as more computational resources become available. With our code and trained models openly available, we hope that SynFormer will find use across applications in drug discovery and materials science.
- Abstract(参考訳): 合成可能な化学空間を効率的に探索し、ナビゲートするための生成モデリングフレームワークであるSynFormerを紹介する。
従来の分子生成手法とは異なり、我々は分子の合成経路を生成し、設計が合成的に牽引可能であることを保証する。
拡張性のあるトランスフォーマーアーキテクチャとブロック選択のための拡散モジュールを組み込むことで、SynFormerは合成可能な分子設計において既存のモデルを超えている。
本研究では,(1) 局所的な化学空間探索,(2) 参照分子の合成可能な類似物を生成する,(2) グローバルな化学空間探索,(2) ブラックボックス特性予測オラクルに基づいて最適な分子を同定する,という2つの主要な応用において,SynFormerの有効性を実証する。
さらに,より計算資源が利用可能になるにつれて,性能の向上を通じて,我々のアプローチのスケーラビリティを実証する。
当社のコードとトレーニング済みのモデルを公開することで、SynFormerは、薬物発見や材料科学の分野にまたがって利用できるようになることを期待しています。
関連論文リスト
- RGFN: Synthesizable Molecular Generation Using GFlowNets [51.33672611338754]
本稿では,化学反応の空間内で直接動作するGFlowNetフレームワークの拡張であるReaction-GFlowNetを提案する。
RGFNは、生成した候補の同等の品質を維持しながら、アウト・オブ・ボックスの合成を可能にする。
提案手法の有効性を,事前訓練されたプロキシモデルやGPUアクセラレーションドッキングなど,さまざまなオラクルモデルに適用した。
論文 参考訳(メタデータ) (2024-06-01T13:11:11Z) - SynFlowNet: Towards Molecule Design with Guaranteed Synthesis Pathways [17.704264588418035]
反応空間が化学的に検証された反応と反応剤を用いて新しい分子を逐次構築するGFlowNetモデルであるSynFlowNetを紹介する。
我々は,合成アクセシビリティスコアと独立レトロシンセシスツールを用いて,本手法の評価を行った。
我々は,SynFlowNetで設計した分子と実験によって検証された活性体を比較し,分子量,SAスコア,タンパク質結合親和性などの類似した性質を示す。
論文 参考訳(メタデータ) (2024-05-02T10:15:59Z) - Dual-Space Optimization: Improved Molecule Sequence Design by Latent
Prompt Transformer [78.47949363282868]
本稿では,遅延空間サンプリングとデータ空間選択を統合したDual-Space Optimization (DSO)法を提案する。
DSOは、生成モデルと合成データを所望のプロパティ値の領域にシフトさせる最適化プロセスにおいて、潜在空間生成モデルと合成データセットを反復的に更新する。
提案手法の有効性を実証し, 単一目的, 多目的, 制約された分子設計タスクにまたがる新しい性能ベンチマークを設定した。
論文 参考訳(メタデータ) (2024-02-27T03:33:23Z) - LLamol: A Dynamic Multi-Conditional Generative Transformer for De Novo
Molecular Design [0.0]
LLamolはLLama 2アーキテクチャに基づいた単一の新しい生成トランスフォーマーモデルである。
モデルが最大4つの条件で単一条件および多条件の有機分子生成を順応的に処理できることを実証する。
より詳しくは,個別に,あるいは数値特性と組み合わせて,トークンシーケンスを条件付けに活用するモデルの能力について紹介する。
論文 参考訳(メタデータ) (2023-11-24T10:59:12Z) - 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) - Retrieval-based Controllable Molecule Generation [63.44583084888342]
制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。
我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。
提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
論文 参考訳(メタデータ) (2022-08-23T17:01:16Z) - Amortized Tree Generation for Bottom-up Synthesis Planning and
Synthesizable Molecular Design [2.17167311150369]
ターゲット分子の埋め込みを条件としたマルコフ決定過程として,合成経路を生成するための償却アプローチを報告した。
提案手法により,最適化された条件付き符号からデコードすることで,ボトムアップ方式で合成計画を実行し,合成可能な分子を設計することができる。
論文 参考訳(メタデータ) (2021-10-12T22:43:25Z) - RetroXpert: Decompose Retrosynthesis Prediction like a Chemist [60.463900712314754]
そこで我々は, テンプレートフリーな自動逆合成拡張アルゴリズムを考案した。
我々の方法はレトロシンセシスを2段階に分解する。
最先端のベースラインよりも優れている一方で、我々のモデルは化学的に合理的な解釈も提供する。
論文 参考訳(メタデータ) (2020-11-04T04:35:34Z) - ChemoVerse: Manifold traversal of latent spaces for novel molecule
discovery [0.7742297876120561]
所望の化学的性質を持つ分子構造を同定することが不可欠である。
ニューラルネットワークと機械学習を用いた生成モデルの最近の進歩は、薬物のような化合物の仮想ライブラリの設計に広く利用されている。
論文 参考訳(メタデータ) (2020-09-29T12:11:40Z) - Learning To Navigate The Synthetically Accessible Chemical Space Using
Reinforcement Learning [75.95376096628135]
ド・ノボ薬物設計のための強化学習(RL)を利用した新しい前方合成フレームワークを提案する。
このセットアップでは、エージェントは巨大な合成可能な化学空間をナビゲートする。
本研究は,合成可能な化学空間を根本的に拡張する上で,エンド・ツー・エンド・トレーニングが重要なパラダイムであることを示す。
論文 参考訳(メタデータ) (2020-04-26T21:40:03Z)
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。