Fugu-MT 論文翻訳(概要): Conditional Latent Space Molecular Scaffold Optimization for Accelerated Molecular Design

論文の概要: Conditional Latent Space Molecular Scaffold Optimization for Accelerated Molecular Design

arxiv url: http://arxiv.org/abs/2411.01423v1
Date: Sun, 03 Nov 2024 03:17:38 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-05 14:49:11.874452
Title: Conditional Latent Space Molecular Scaffold Optimization for Accelerated Molecular Design
Title（参考訳）: 加速分子設計のための条件付き遅延空間分子スカフォールド最適化
Authors: Onur Boyar, Hiroyuki Hanada, Ichiro Takeuchi,
Abstract要約: 初期入力と類似性を保ちながら分子を戦略的に修飾するための条件付き遅延空間分子スカフォールド最適化(CLaSMO)を導入する。我々のLSBO設定は、最適化のサンプル効率を向上し、我々の修正アプローチは、実世界の適用可能性の高い分子を得るのに役立ちます。我々はまた、化学の専門家がCLaSMOをHuman-in-the-Loop設定で適用できるオープンソースのWebアプリケーションも提供する。
参考スコア（独自算出の注目度）: 17.175846006359674
License:
Abstract: The rapid discovery of new chemical compounds is essential for advancing global health and developing treatments. While generative models show promise in creating novel molecules, challenges remain in ensuring the real-world applicability of these molecules and finding such molecules efficiently. To address this, we introduce Conditional Latent Space Molecular Scaffold Optimization (CLaSMO), which combines a Conditional Variational Autoencoder (CVAE) with Latent Space Bayesian Optimization (LSBO) to modify molecules strategically while maintaining similarity to the original input. Our LSBO setting improves the sample-efficiency of our optimization, and our modification approach helps us to obtain molecules with higher chances of real-world applicability. CLaSMO explores substructures of molecules in a sample-efficient manner by performing BO in the latent space of a CVAE conditioned on the atomic environment of the molecule to be optimized. Our experiments demonstrate that CLaSMO efficiently enhances target properties with minimal substructure modifications, achieving state-of-the-art results with a smaller model and dataset compared to existing methods. We also provide an open-source web application that enables chemical experts to apply CLaSMO in a Human-in-the-Loop setting.
Abstract（参考訳）: 新規化合物の迅速発見は、世界的な健康と治療の発展に不可欠である。生成モデルは新しい分子の創出を約束するが、これらの分子の現実的な適用性を確保し、それらの分子を効率的に見つけることは課題である。これを解決するために,条件付き変分オートエンコーダ(CVAE)とLatet Space Bayesian Optimization(LSBO)を組み合わせて,元の入力と類似性を保ちながら分子を戦略的に修飾するコンディショナルラテントスペース分子共有最適化(CLaSMO)を導入する。我々のLSBO設定は、最適化のサンプル効率を向上し、我々の修正アプローチは、実世界の適用可能性の高い分子を得るのに役立ちます。 CLaSMOは、最適化される分子の原子環境に条件付きCVAEの潜伏空間でBOを実行することで、サンプル効率のよい分子のサブ構造を探索する。実験により, CLaSMOは最小限のサブ構造変化で目標特性を効率的に向上し, 従来の手法と比較して, より少ないモデルとデータセットで最先端の結果が得られることを示した。我々はまた、化学の専門家がCLaSMOをHuman-in-the-Loop設定で適用できるオープンソースのWebアプリケーションも提供する。

関連論文リスト

Pathway-Guided Optimization of Deep Generative Molecular Design Models for Cancer Therapy [1.8210200978176423]
ジャンクションツリー変動オートエンコーダ (JTVAE) は効率的な生成モデルであることが示されている。薬物様小分子の治療効果を評価する薬理力学モデルが, 有効潜時空間最適化にどのように組み込まれているかを示す。
論文参考訳（メタデータ） (2024-11-05T19:20:30Z)
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)
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)
Leveraging Latent Evolutionary Optimization for Targeted Molecule Generation [0.0]
分子生成(LEOMol)における遅延進化最適化という革新的なアプローチを提案する。 LEOMolは最適化分子の効率的な生成のための生成モデリングフレームワークである。提案手法は,従来の最先端モデルよりも優れた性能を示す。
論文参考訳（メタデータ） (2024-07-02T13:42:21Z)
Aligning Target-Aware Molecule Diffusion Models with Exact Energy Optimization [147.7899503829411]
AliDiffは、事前訓練されたターゲット拡散モデルと望ましい機能特性を整合させる新しいフレームワークである。最先端の結合エネルギーを持つ分子を最大7.07 Avg. Vina Scoreで生成することができる。
論文参考訳（メタデータ） (2024-07-01T06:10:29Z)
DecompOpt: Controllable and Decomposed Diffusion Models for Structure-based Molecular Optimization [49.85944390503957]
DecompOptは、制御可能・拡散モデルに基づく構造に基づく分子最適化手法である。 DecompOptは強いde novoベースラインよりも優れた特性を持つ分子を効率よく生成できることを示す。
論文参考訳（メタデータ） (2024-03-07T02:53:40Z)
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)
Multi-Objective Latent Space Optimization of Generative Molecular Design Models [3.1996400013865656]
生成分子設計(GMD)の性能を大幅に向上させる多目的潜在空間最適化(LSO)法を提案する。複数分子特性を共同最適化するための多目的GMD LSO法は, GMDの性能を著しく向上させることができることを示す。
論文参考訳（メタデータ） (2022-03-01T15:12:05Z)
CELLS: Cost-Effective Evolution in Latent Space for Goal-Directed Molecular Generation [23.618366377098614]
本稿では,分子潜在表現ベクトルを最適化した遅延空間におけるコスト効率のよい進化戦略を提案する。我々は、潜伏空間と観測空間をマッピングするために、事前訓練された分子生成モデルを採用する。提案手法といくつかの高度な手法を比較した複数の最適化タスクについて広範な実験を行った。
論文参考訳（メタデータ） (2021-11-30T11:02:18Z)
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)

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。