論文の概要: 3D Interaction Geometric Pre-training for Molecular Relational Learning

• arxiv url: http://arxiv.org/abs/2412.02957v1
• Date: Wed, 04 Dec 2024 02:05:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-05 15:09:36.103185
• Title: 3D Interaction Geometric Pre-training for Molecular Relational Learning
• Title（参考訳）: 分子関係学習のための3次元相互作用幾何学的事前学習
• Authors: Namkyeong Lee, Yunhak Oh, Heewoong Noh, Gyoung S. Na, Minkai Xu, Hanchen Wang, Tianfan Fu, Chanyoung Park,
• Abstract要約: 3DMRLは2次元MRLモデルを訓練し、対照的な学習を通して分子間相互作用の全体的な3次元幾何学的情報を学ぶ。 3DMRLの有効性を実証するため,実世界のデータセットを用いた各種タスクの実験を行った。
• 参考スコア（独自算出の注目度）: 39.940359285404675
• License:
• Abstract: Molecular Relational Learning (MRL) is a rapidly growing field that focuses on understanding the interaction dynamics between molecules, which is crucial for applications ranging from catalyst engineering to drug discovery. Despite recent progress, earlier MRL approaches are limited to using only the 2D topological structure of molecules, as obtaining the 3D interaction geometry remains prohibitively expensive. This paper introduces a novel 3D geometric pre-training strategy for MRL (3DMRL) that incorporates a 3D virtual interaction environment, overcoming the limitations of costly traditional quantum mechanical calculation methods. With the constructed 3D virtual interaction environment, 3DMRL trains 2D MRL model to learn the overall 3D geometric information of molecular interaction through contrastive learning. Moreover, fine-grained interaction between molecules is learned through force prediction loss, which is crucial in understanding the wide range of molecular interaction processes. Extensive experiments on various tasks using real-world datasets, including out-of-distribution and extrapolation scenarios, demonstrate the effectiveness of 3DMRL, showing up to a 24.93\% improvement in performance across 40 tasks.
• Abstract（参考訳）: 分子関係学習(英: molecular Relational Learning、MRL)は、分子間の相互作用のダイナミクスを理解することに焦点を当てた急速に成長する分野である。 近年の進歩にもかかわらず、初期のMRLアプローチは分子の2次元トポロジカル構造のみの使用に限られており、3次元相互作用幾何学の取得は違法に高価である。 本稿では,3次元仮想相互作用環境を取り入れたMRL(3DMRL)のための新しい幾何学的事前学習手法を提案する。 構築された3次元仮想相互作用環境により、3DMRLは2次元MRLモデルを訓練し、対照的な学習を通して分子間相互作用の全体的な3次元幾何学的情報を学ぶ。 さらに、分子間のきめ細かい相互作用は、幅広い分子相互作用プロセスを理解する上で重要な力予測損失を通じて学習される。 3DMRLの有効性を実証し、40タスクにわたるパフォーマンスが24.93倍に向上した。

関連論文リスト

• Molecule Joint Auto-Encoding: Trajectory Pretraining with 2D and 3D Diffusion [19.151643496588022]
  分子ジョイントオートエンコーディング(分子JAE)の事前学習法を提案する。 MoleculeJAEは2D結合(トポロジー)と3D配座(幾何学)の両方の情報を学習することができる。 MoleculeJAEは、20タスク中15タスクで最先端のパフォーマンスに到達することで、その効果を実証している。
  論文  参考訳（メタデータ） (2023-12-06T12:58:37Z)
• Learning Over Molecular Conformer Ensembles: Datasets and Benchmarks [44.934084652800976]
  コンフォーマーアンサンブルを用いた学習の可能性を徹底的に評価するための,最初のMoleculAR Conformer Ensemble Learningベンチマークを導入する。 その結果,コンバータ空間からの直接学習は,様々なタスクやモデルの性能を向上させることができることがわかった。
  論文  参考訳（メタデータ） (2023-09-29T20:06:46Z)
• Automated 3D Pre-Training for Molecular Property Prediction [54.15788181794094]
  新たな3D事前学習フレームワーク(3D PGT)を提案する。 3D分子グラフのモデルを事前訓練し、3D構造のない分子グラフに微調整する。 提案した3次元PGTの精度, 効率, 一般化能力を示すために, 2次元分子グラフの大規模実験を行った。
  論文  参考訳（メタデータ） (2023-06-13T14:43:13Z)
• A Group Symmetric Stochastic Differential Equation Model for Molecule Multi-modal Pretraining [36.48602272037559]
  分子プレトレーニングは、AIベースの薬物発見のパフォーマンスを高めるために、急速にゴーツースキーマになっている。 本稿では,2次元トポロジーから3次元反射を生成するMoleculeSDEを提案する。 プレトレーニングベースライン17点と比較することにより,32のダウンストリームタスク中26点において,MoleculeSDEが最先端のパフォーマンスを持つ表現表現を学習できることを実証的に検証する。
  論文  参考訳（メタデータ） (2023-05-28T15:56:02Z)
• MUDiff: Unified Diffusion for Complete Molecule Generation [104.7021929437504]
  本稿では,原子の特徴,2次元離散分子構造,および3次元連続分子座標を含む分子の包括的表現を生成する新しいモデルを提案する。 拡散過程を認知するための新しいグラフトランスフォーマーアーキテクチャを提案する。 我々のモデルは、安定で多様な分子を設計するための有望なアプローチであり、分子モデリングの幅広いタスクに適用できる。
  論文  参考訳（メタデータ） (2023-04-28T04:25:57Z)
• Geometry-Complete Diffusion for 3D Molecule Generation and Optimization [3.8366697175402225]
  3次元分子生成のための幾何-完全拡散モデル(GCDM)を導入する。 GCDMは、既存の3次元分子拡散モデルよりも条件および非条件設定間で大きなマージンで優れている。 また、GCDMの幾何学的特徴は、既存の3次元分子の幾何学的および化学組成を一貫して最適化するために再利用可能であることも示している。
  論文  参考訳（メタデータ） (2023-02-08T20:01:51Z)
• 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)
• 3D Infomax improves GNNs for Molecular Property Prediction [1.9703625025720701]
  本稿では,2次元分子グラフのみに与えられる分子の幾何学をモデル化するための事前学習モデルを提案する。 我々は,3次元事前学習が幅広い特性に対して大きな改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2021-10-08T13:30:49Z)
• 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)
• ATOM3D: Tasks On Molecules in Three Dimensions [91.72138447636769]
  近年、深層ニューラルネットワークが注目されている。 本稿では,生物分子のいくつかの重要なクラスにまたがる新しいデータセットと既存のデータセットのコレクションであるATOM3Dを紹介する。 これらのタスクごとに3次元の分子学習ネットワークを開発し、パフォーマンスを一貫して改善します。
  論文  参考訳（メタデータ） (2020-12-07T20:18:23Z)

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。