論文の概要: Utilizing Large Language Models in an Iterative Paradigm with Domain Feedback for Zero-shot Molecule Optimization

• arxiv url: http://arxiv.org/abs/2410.13147v3
• Date: Sat, 26 Oct 2024 01:31:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-29 12:18:58.381636
• Title: Utilizing Large Language Models in an Iterative Paradigm with Domain Feedback for Zero-shot Molecule Optimization
• Title（参考訳）: ゼロショット分子最適化のためのドメインフィードバックを伴う反復パラダイムにおける大規模言語モデルの利用
• Authors: Khiem Le, Nitesh V. Chawla,
• Abstract要約: 本稿では,シンプルなドメインフィードバックプロバイダである$textRe2$DFを提案する。 $textRe2$DFは、修飾された分子が化学的に無効である場合、分子を処理するために外部ツールキットRDKitを使用する。 20の単価目標に対して、$textRe2$DFは、それぞれ緩やかな閾値と厳格な閾値の下で、ヒット率を16.95%、20.76%向上させる。
• 参考スコア（独自算出の注目度）: 21.293944661913386
• License:
• Abstract: Molecule optimization is a critical task in drug discovery to optimize desired properties of a given molecule through chemical modification. Despite Large Language Models (LLMs) holding the potential to efficiently simulate this task by using natural language to direct the optimization, straightforwardly utilizing shows limited performance. In this work, we facilitate utilizing LLMs in an iterative paradigm by proposing a simple yet highly effective domain feedback provider, namely $\text{Re}^2$DF. In detail, $\text{Re}^2$DF harnesses an external toolkit, RDKit, to handle the molecule hallucination, if the modified molecule is chemically invalid. Otherwise, its desired properties are computed and compared to the original one, establishing reliable domain feedback with correct direction and distance towards the objective, followed by a retrieved example, to explicitly guide the LLM to refine the modified molecule. We conduct experiments across both single- and multi-property objectives with 2 thresholds, where $\text{Re}^2$DF shows significant improvements. Particularly, for 20 single-property objectives, $\text{Re}^2$DF enhances Hit ratio by 16.95% and 20.76% under loose and strict thresholds, respectively. For 32 multi-property objectives, $\text{Re}^2$DF enhances Hit ratio by 6.04% and 5.25%.
• Abstract（参考訳）: 分子最適化は、化学修飾によって与えられた分子の望ましい性質を最適化する薬物発見において重要な課題である。 大きな言語モデル(LLM)は、自然言語を使って最適化を指示することで、このタスクを効率的にシミュレートする可能性を秘めているが、直接的に活用することは、限られた性能を示す。 本研究では,シンプルなドメインフィードバックプロバイダ,すなわち$\text{Re}^2$DFを提案することで,LCMを反復パラダイムで活用しやすくする。 詳しくは、$\text{Re}^2$DFは、修飾された分子が化学的に無効である場合、外部ツールキットRDKitを用いて分子幻覚を処理する。 そうでなければ、その望ましい性質は計算され、元の特性と比較され、目的に向かって正しい方向と距離で信頼できるドメインフィードバックが確立され、次に検索された例により、LLMを明示的に誘導して修飾された分子を洗練させる。 2つのしきい値を持つ単目的と多目的の両方で実験を行い、$\text{Re}^2$DFは大幅な改善を示す。 特に、20の単一目的に対して、$\text{Re}^2$DFは、それぞれ緩やかな閾値と厳格な閾値の下で、ヒット比を16.95%、20.76%向上させる。 32の多目的に対して、$\text{Re}^2$DFはヒット率を6.04%と5.25%向上させる。

関連論文リスト

• Text-Guided Multi-Property Molecular Optimization with a Diffusion Language Model [77.50732023411811]
  変換器を用いた拡散言語モデル(TransDLM)を用いたテキスト誘導多目的分子最適化手法を提案する。 TransDLMは標準化された化学命名法を分子の意味表現として利用し、プロパティ要求をテキスト記述に暗黙的に埋め込む。 提案手法は, 分子構造類似性を最適化し, ベンチマークデータセットの化学的特性を向上するための最先端手法を超越した手法である。
  論文  参考訳（メタデータ） (2024-10-17T14:30:27Z)
• XMOL: Explainable Multi-property Optimization of Molecules [2.320539066224081]
  複数の分子特性を同時に最適化するために,分子のマルチプロパティ最適化(XMOL)を提案する。 我々のアプローチは、最先端の幾何学的拡散モデルに基づいており、それらをマルチプロパティ最適化に拡張している。 最適化プロセス全体を通して解釈的および説明可能な技術を統合する。
  論文  参考訳（メタデータ） (2024-09-12T06:35:04Z)
• Decoding-Time Language Model Alignment with Multiple Objectives [116.42095026960598]
  既存の手法は主に、1つの報酬関数に対してLMを最適化することに集中し、それらの適応性は様々な目的に制限される。 本稿では,予測の線形結合から次のトークンを出力する復号時間アルゴリズムである$textbfmulti-objective decoding (MOD)$を提案する。 提案手法は, 自然条件下であっても, 既存のアプローチが準最適であることを示すとともに, 提案手法の最適性を保証する。
  論文  参考訳（メタデータ） (2024-06-27T02:46:30Z)
• Bypass Back-propagation: Optimization-based Structural Pruning for Large Language Models via Policy Gradient [57.9629676017527]
  大規模言語モデルを用いた最適化に基づく構造解析手法を提案する。 我々は,プルーニングモデルの損失を最適化することにより,確率空間におけるプルーニングマスクを直接学習する。 A100 GPUで13Bモデルに対して約35GBのメモリで2.7時間動作させる。
  論文  参考訳（メタデータ） (2024-06-15T09:31:03Z)
• 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)
• DrugAssist: A Large Language Model for Molecule Optimization [29.95488215594247]
  DrugAssistは、人間と機械の対話を通じて最適化を行う対話型分子最適化モデルである。 DrugAssistは、単一および複数プロパティの最適化において、主要な結果を得た。 分子最適化タスクの微調整言語モデルのための,MomoOpt-Instructionsと呼ばれる大規模命令ベースデータセットを公開している。
  論文  参考訳（メタデータ） (2023-12-28T10:46:56Z)
• Pareto Optimization to Accelerate Multi-Objective Virtual Screening [11.356174411578515]
  EGFRおよびIGF1Rの選択的二重阻害剤であると考えられる4M分子の仮想ライブラリーを探索するツールを開発した。 このワークフローと関連するオープンソースソフトウェアは、分子設計プロジェクトのスクリーニング負担を軽減することができる。
  論文  参考訳（メタデータ） (2023-10-16T17:19:46Z)
• Optimizing Molecules using Efficient Queries from Property Evaluations [66.66290256377376]
  汎用的なクエリベースの分子最適化フレームワークであるQMOを提案する。 QMOは効率的なクエリに基づいて入力分子の所望の特性を改善する。 QMOは, 有機分子を最適化するベンチマークタスクにおいて, 既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-03T18:51:18Z)
• MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [51.00815310242277]
  生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。 本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
  論文  参考訳（メタデータ） (2020-10-05T20:18:42Z)

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。