Fugu-MT 論文翻訳(概要): Predicting Molecular Ground-State Conformation via Conformation Optimization

論文の概要: Predicting Molecular Ground-State Conformation via Conformation Optimization

arxiv url: http://arxiv.org/abs/2410.09795v3
Date: Mon, 10 Feb 2025 16:54:15 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-11 14:26:36.781347
Title: Predicting Molecular Ground-State Conformation via Conformation Optimization
Title（参考訳）: コンフォーメーション最適化による分子基底状態の予測
Authors: Fanmeng Wang, Minjie Cheng, Hongteng Xu,
Abstract要約: 分子基底状態のコンフォメーションの予測は多くの化学応用において重要である。本稿では,エネルギーに基づくシミュレーションと学習に基づく戦略を橋渡しする,新しい効果的手法を提案する。我々の手法は一貫して最先端の競争相手を上回っている。
参考スコア（独自算出の注目度）: 24.18678055892153
License:
Abstract: Predicting molecular ground-state conformation (i.e., energy-minimized conformation) is crucial for many chemical applications such as molecular docking and property prediction. Classic energy-based simulation is time-consuming when solving this problem while existing learning-based methods have advantages in computational efficiency but sacrifice accuracy and interpretability. In this work, we propose a novel and effective method to bridge the energy-based simulation and the learning-based strategy, which designs and learns a Wasserstein gradient flow-driven SE(3)-Transformer, called WGFormer, for molecular ground-state conformation prediction. Specifically, our method tackles this task within an auto-encoding framework, which encodes low-quality conformations by the proposed WGFormer and decodes corresponding ground-state conformations by an MLP. The architecture of WGFormer corresponds to Wasserstein gradient flows -- it optimizes molecular conformations by minimizing an energy function defined on the latent mixture models of atoms, thereby significantly improving performance and interpretability. Extensive experiments show that our method consistently outperforms state-of-the-art competitors, providing a new and insightful paradigm to predict molecular ground-state conformation.
Abstract（参考訳）: 分子ドッキングや特性予測といった多くの化学応用において、分子基底状態コンホメーション(すなわちエネルギー最小化コンホメーション)の予測が重要である。古典的なエネルギーベースシミュレーションはこの問題を解決するのに時間を要するが、既存の学習ベースの手法は計算効率には利点があるが、精度と解釈性は犠牲である。本研究では,WGFormer と呼ばれる Wsserstein 勾配流駆動SE(3)-Transformer を設計・学習し,分子基底状態のコンフォメーション予測を行う,エネルギーベースシミュレーションと学習ベースの戦略を橋渡しする,新しい効果的手法を提案する。具体的には、提案したWGFormerによる低品質なコンフォメーションを符号化し、MLPによる対応する基底状態コンフォメーションをデコードする自動符号化フレームワークにおいて、この課題に対処する。 WGFormerのアーキテクチャはワッサースタイン勾配流に対応しており、原子の潜在混合モデル上で定義されるエネルギー関数を最小化することで分子配座を最適化し、性能と解釈可能性を大幅に向上する。大規模実験により,本手法は,分子基底状態の整合性を予測するための新しい,洞察に富んだパラダイムを提供する,最先端の競合よりも一貫して優れていることが示された。

関連論文リスト

Conditional Synthesis of 3D Molecules with Time Correction Sampler [58.0834973489875]
Time-Aware Conditional Synthesis (TACS) は拡散モデルにおける条件生成の新しい手法である。適応的に制御されたプラグアンドプレイの"オンライン"ガイダンスを拡散モデルに統合し、サンプルを所望の特性に向けて駆動する。
論文参考訳（メタデータ） (2024-11-01T12:59:25Z)
REBIND: Enhancing ground-state molecular conformation via force-based graph rewiring [38.77055275481021]
低次原子の非結合相互作用を捉えるために、レナード・ジョーンズポテンシャルに基づくエッジを追加することによって分子グラフを再構成する新しいフレームワークREBINDを提案する。実験により、REBINDは様々な分子サイズで最先端の手法を著しく上回っていることが示された。
論文参考訳（メタデータ） (2024-10-04T16:02:33Z)
UAlign: Pushing the Limit of Template-free Retrosynthesis Prediction with Unsupervised SMILES Alignment [51.49238426241974]
本稿では,テンプレートのないグラフ・ツー・シーケンスパイプラインであるUAlignを紹介した。グラフニューラルネットワークとトランスフォーマーを組み合わせることで、分子固有のグラフ構造をより効果的に活用することができる。
論文参考訳（メタデータ） (2024-03-25T03:23:03Z)
Diffusion-Driven Generative Framework for Molecular Conformation Prediction [0.66567375919026]
機械学習の急速な進歩は、この文脈における予測モデリングの精度に革命をもたらした。本研究は,最先端な生成手法を提案する。メソッドは原子を独立した実体とみなし、拡散の逆転を導くのに優れている。
論文参考訳（メタデータ） (2023-12-22T11:49:39Z)
SE(3)-Invariant Multiparameter Persistent Homology for Chiral-Sensitive Molecular Property Prediction [1.534667887016089]
多パラメータ持続ホモロジー(MPPH)を用いた新しい分子指紋生成法を提案する。この技術は、正確な分子特性予測が不可欠である薬物発見と材料科学において、かなりの重要性を持っている。分子特性の予測における既存の最先端手法よりも優れた性能を示し,MoleculeNetベンチマークで広範囲な評価を行った。
論文参考訳（メタデータ） (2023-12-12T09:33:54Z)
Molecular Conformation Generation via Shifting Scores [21.986775283620883]
本稿では,分子の崩壊を,分子を構成する原子に増大する力場を鋳造すると見なすことのできる新しい分子コンホメーション生成手法を提案する。対応する生成モデリングは、実現可能な原子間距離幾何学を保証し、時間可逆性を示す。
論文参考訳（メタデータ） (2023-09-12T07:39:43Z)
Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
論文参考訳（メタデータ） (2023-02-04T01:32:40Z)
GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
論文参考訳（メタデータ） (2021-06-08T14:17:59Z)
An End-to-End Framework for Molecular Conformation Generation via Bilevel Programming [71.82571553927619]
分子コンフォメーション予測のためのエンドツーエンドソリューションであるconfvaeを提案する。具体的には、まず分子グラフを潜時空間に符号化し、3次元構造は原理化された二段階最適化プログラムを解くことによって生成される。
論文参考訳（メタデータ） (2021-05-15T15:22:29Z)
Learning Neural Generative Dynamics for Molecular Conformation Generation [89.03173504444415]
分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
論文参考訳（メタデータ） (2021-02-20T03:17:58Z)
Physics-Constrained Predictive Molecular Latent Space Discovery with Graph Scattering Variational Autoencoder [0.0]
我々は小データ構造における変分推論とグラフ理論に基づく分子生成モデルを開発する。モデルの性能は、所望の目的特性を持つ分子を生成することによって評価される。
論文参考訳（メタデータ） (2020-09-29T09:05:27Z)

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。