論文の概要: REBIND: Enhancing ground-state molecular conformation via force-based graph rewiring

• arxiv url: http://arxiv.org/abs/2410.14696v1
• Date: Fri, 04 Oct 2024 16:02:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-27 05:40:42.383331
• Title: REBIND: Enhancing ground-state molecular conformation via force-based graph rewiring
• Title（参考訳）: REBIND:力によるグラフスイッチングによる基底状態分子コンフォメーションの強化
• Authors: Taewon Kim, Hyunjin Seo, Sungsoo Ahn, Eunho Yang,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 38.77055275481021
• License:
• Abstract: Predicting the ground-state 3D molecular conformations from 2D molecular graphs is critical in computational chemistry due to its profound impact on molecular properties. Deep learning (DL) approaches have recently emerged as promising alternatives to computationally-heavy classical methods such as density functional theory (DFT). However, we discover that existing DL methods inadequately model inter-atomic forces, particularly for non-bonded atomic pairs, due to their naive usage of bonds and pairwise distances. Consequently, significant prediction errors occur for atoms with low degree (i.e., low coordination numbers) whose conformations are primarily influenced by non-bonded interactions. To address this, we propose REBIND, a novel framework that rewires molecular graphs by adding edges based on the Lennard-Jones potential to capture non-bonded interactions for low-degree atoms. Experimental results demonstrate that REBIND significantly outperforms state-of-the-art methods across various molecular sizes, achieving up to a 20\% reduction in prediction error.
• Abstract（参考訳）: 2次元分子グラフから基底状態の3次元分子配座を予測することは、その分子特性に深く影響するため、計算化学において重要である。 近年,密度汎関数理論 (DFT) のような計算量の多い古典的手法の代替として,ディープラーニング (DL) アプローチが注目されている。 しかし,既存のDL法は原子間力,特に非結合原子対を不適切にモデル化することが判明した。 その結果、配座が主に非結合相互作用に影響される低次(低配位数)の原子に対して有意な予測誤差が発生する。 これを解決するために、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して分子グラフを再構成し、低次原子の非結合相互作用を捉える新しいフレームワークREBINDを提案する。 実験の結果、REBINDは様々な分子サイズで最先端の手法を著しく上回り、予測誤差の最大20%まで低減できることがわかった。

関連論文リスト

• Predicting Molecular Ground-State Conformation via Conformation Optimization [24.18678055892153]
  本稿では,分子基底状態のコンフォーメーションをコンフォーメーション最適化の観点から予測するConfOptという新しいフレームワークを提案する。 トレーニング中、ConfOptは予測された原子3D座標と対応する原子間距離を同時に最適化し、強い予測モデルを生み出した。
  論文  参考訳（メタデータ） (2024-10-13T10:48:22Z)
• Manifold-Constrained Nucleus-Level Denoising Diffusion Model for Structure-Based Drug Design [81.95343363178662]
  原子は分離違反を避けるために 最小の対距離を維持する必要がある NucleusDiff は原子核と周囲の電子雲の間の相互作用を距離制約によってモデル化する。 違反率は1000%まで減少し、結合親和性は22.16%まで向上し、構造に基づく薬物設計の最先端モデルを上回る。
  論文  参考訳（メタデータ） (2024-09-16T08:42:46Z)
• 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)
• Atom-Motif Contrastive Transformer for Molecular Property Prediction [68.85399466928976]
  グラフトランス (GT) モデルは分子特性予測 (MPP) のタスクで広く利用されている。 本稿では,原子レベルの相互作用を探索し,モチーフレベルの相互作用を考慮した新しいAtom-Motif Contrastive Transformer(AMCT)を提案する。 提案したAMCTは,7つの一般的なベンチマークデータセットに対して広範囲に評価され,定量的および定性的な結果の両方が有効であることを示す。
  論文  参考訳（メタデータ） (2023-10-11T10:03:10Z)
• 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)
• 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)
• Edge Direction-invariant Graph Neural Networks for Molecular Dipole Moments Prediction [0.0]
  分子内の双極子モーメントを表現するための新しい埋め込み法を開発した。 開発モデルは、拡張されたジオメトリを持つ分子に対しても合理的に機能することを示す。 我々は,ab-initio計算に匹敵する精度で予測結果を大幅に改善する。
  論文  参考訳（メタデータ） (2022-06-26T12:52:17Z)
• Interpretable Molecular Graph Generation via Monotonic Constraints [19.401468196146336]
  ディープグラフ生成モデルは、分子設計をグラフ生成問題として扱う。 既存のモデルには多くの欠点があり、解釈性や所望の分子特性に対する制御性が低い。 本稿では,分子生成の解釈可能なモデルと深層制御可能なモデルを用いた新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-02-28T08:35:56Z)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)

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。