論文の概要: Molecule Generation with Fragment Retrieval Augmentation

• arxiv url: http://arxiv.org/abs/2411.12078v1
• Date: Mon, 18 Nov 2024 21:43:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-20 13:36:13.184256
• Title: Molecule Generation with Fragment Retrieval Augmentation
• Title（参考訳）: フラグメント検索強化による分子生成
• Authors: Seul Lee, Karsten Kreis, Srimukh Prasad Veccham, Meng Liu, Danny Reidenbach, Saee Paliwal, Arash Vahdat, Weili Nie,
• Abstract要約: Fragment Retrieval-Augmented Generation (f-RAG) は、新しい分子の完成と生成のための新たなフラグメントを提案する事前訓練された分子生成モデルに基づいている。 既存のフラグメントを超えて外挿するために、f-RAGは、反復的な洗練プロセスを通じて生成されたフラグメントでフラグメント語彙を更新する。
• 参考スコア（独自算出の注目度）: 41.95947899013865
• License:
• Abstract: Fragment-based drug discovery, in which molecular fragments are assembled into new molecules with desirable biochemical properties, has achieved great success. However, many fragment-based molecule generation methods show limited exploration beyond the existing fragments in the database as they only reassemble or slightly modify the given ones. To tackle this problem, we propose a new fragment-based molecule generation framework with retrieval augmentation, namely Fragment Retrieval-Augmented Generation (f-RAG). f-RAG is based on a pre-trained molecular generative model that proposes additional fragments from input fragments to complete and generate a new molecule. Given a fragment vocabulary, f-RAG retrieves two types of fragments: (1) hard fragments, which serve as building blocks that will be explicitly included in the newly generated molecule, and (2) soft fragments, which serve as reference to guide the generation of new fragments through a trainable fragment injection module. To extrapolate beyond the existing fragments, f-RAG updates the fragment vocabulary with generated fragments via an iterative refinement process which is further enhanced with post-hoc genetic fragment modification. f-RAG can achieve an improved exploration-exploitation trade-off by maintaining a pool of fragments and expanding it with novel and high-quality fragments through a strong generative prior.
• Abstract（参考訳）: フラグメントに基づく薬物発見は、分子断片が望ましい生化学的性質を持つ新しい分子に組み立てられ、大きな成功を収めた。 しかしながら、多くのフラグメントベースの分子生成法は、与えられたフラグメントを再組み立てしたり、わずかに修正しただけであるため、データベース内の既存のフラグメントを超えて限られた探索を示す。 この問題に対処するために, Fragment Retrieval-Augmented Generation (f-RAG) という, 検索を増強した新しいフラグメントベースの分子生成フレームワークを提案する。 f-RAGは事前訓練された分子生成モデルに基づいており、入力フラグメントから新たな分子を合成し生成するために追加のフラグメントを提案する。 フラグメント語彙が与えられた場合、f-RAGは、(1) ハードフラグメント、(2) ソフトフラグメント、(2) ソフトフラグメント、(2) 新しいフラグメントの生成をトレーニング可能なフラグメントインジェクションモジュールを通してガイドする。 既存のフラグメントを超えて外挿するために、f-RAGは、ポストホック後のフラグメント修飾によってさらに強化された反復的精製プロセスを通じて、フラグメント語彙を生成されたフラグメントで更新する。 f-RAGは、断片のプールを維持し、強力な生成前を通した新規で高品質なフラグメントでそれを拡張することにより、探索・探索のトレードオフを改善することができる。

関連論文リスト

• FragRel: Exploiting Fragment-level Relations in the External Memory of Large Language Models [54.13671100638092]
  断片接続型階層型メモリベース大規模言語モデル(LLM)を提案する。 外部メモリにおけるフラグメントレベルの関係を定式化し、異なるテキストタイプに対していくつかのインスタンスを提示する。 長いストーリー理解、リポジトリレベルのコード生成、長期チャットにこれらの関係を組み込むことの利点を検証する。
  論文  参考訳（メタデータ） (2024-06-05T09:31:37Z)
• Drug Discovery with Dynamic Goal-aware Fragments [76.10700304803177]
  GEAM (Goal-aware fragment extract, Assembly and Modification) という薬物発見のための分子生成フレームワークを提案する。 GEAMは3つのモジュールから構成されており、それぞれがゴール対応のフラグメント抽出、フラグメントアセンブリ、フラグメント修正を担当している。 GEAMは3つのモジュールの生成サイクルを通じて薬物候補を効果的に発見できることを実験的に実証した。
  論文  参考訳（メタデータ） (2023-10-02T01:30:42Z)
• Functional-Group-Based Diffusion for Pocket-Specific Molecule Generation and Elaboration [63.23362798102195]
  ポケット特異的分子生成とエラボレーションのための機能群に基づく拡散モデルD3FGを提案する。 D3FGは分子を、剛体として定義される官能基と質量点としてのリンカーの2つのカテゴリに分解する。 実験では, より現実的な3次元構造, タンパク質標的に対する競合親和性, 薬物特性の良好な分子を生成できる。
  論文  参考訳（メタデータ） (2023-05-30T06:41:20Z)
• SILVR: Guided Diffusion for Molecule Generation [0.0]
  本稿では,既存の生成モデルを再学習せずに条件付けする機械学習手法を提案する。 このモデルでは、フラグメントヒットに基づいてタンパク質の結合部位に適合する新しい分子を生成することができる。 我々は、中程度のSILVR速度により、元の断片と類似した形状の新しい分子を生成できることを示した。
  論文  参考訳（メタデータ） (2023-04-21T11:47:38Z)
• De Novo Molecular Generation via Connection-aware Motif Mining [197.97528902698966]
  我々は、マイニングされた接続認識モチーフに基づいて分子を生成する新しい方法、MiCaMを提案する。 得られたモチーフ語彙は、分子モチーフ(頻繁な断片)だけでなく、それらの接続情報も含む。 マイニングされた接続対応モチーフに基づいて、MiCaMは接続対応ジェネレータを構築し、同時にモチーフをピックアップし、どのように接続されているかを決定する。
  論文  参考訳（メタデータ） (2023-02-02T14:40:47Z)
• Equivariant 3D-Conditional Diffusion Models for Molecular Linker Design [82.23006955069229]
  分子リンカ設計のためのE(3)等価な3次元拡散モデルDiffLinkerを提案する。 我々のモデルは、欠落した原子を中間に配置し、初期フラグメントを全て組み込んだ分子を設計する。 DiffLinkerは、より多種多様な合成可能な分子を生成する標準データセット上で、他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） (2022-10-11T09:13:37Z)
• Fragment-based Sequential Translation for Molecular Optimization [23.152338167332374]
  本稿では,分子断片を用いた分子生成のためのフレキシブルな編集パラダイムを提案する。 我々は変分オートエンコーダを用いて分子断片をコヒーレント潜在空間に符号化する。 そして、分子を編集して複雑な化学特性空間を探索する語彙として利用します。
  論文  参考訳（メタデータ） (2021-10-26T21:20:54Z)
• A Deep Generative Model for Fragment-Based Molecule Generation [21.258861822241272]
  フラグメントと呼ばれる小さな分子サブ構造のための言語モデルを開発した。 言い換えれば、原子のフラグメントではなく、フラグメントによって分子のフラグメントを生成します。 実験により、我々のモデルは、他の言語モデルベースの競合よりも優れていることが示された。
  論文  参考訳（メタデータ） (2020-02-28T15:55:11Z)

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。