論文の概要: Dual-Modality Representation Learning for Molecular Property Prediction

• arxiv url: http://arxiv.org/abs/2501.06608v1
• Date: Sat, 11 Jan 2025 18:15:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-14 14:21:12.232366
• Title: Dual-Modality Representation Learning for Molecular Property Prediction
• Title（参考訳）: 分子特性予測のためのデュアルモーダル表現学習
• Authors: Anyin Zhao, Zuquan Chen, Zhengyu Fang, Xiaoge Zhang, Jing Li,
• Abstract要約: 薬物特性の正確な予測は、効果的な分子表現に大きく依存する。 近年の薬物特性の学習にはグラフ表現に基づくグラフニューラルネットワーク(GNN)が一般的である。 本稿では,2つの表現の強みを効果的に組み合わせたDMCA(Dual-Modality Cross-Attention)を提案する。
• 参考スコア（独自算出の注目度）: 3.0953718537420545
• License:
• Abstract: Molecular property prediction has attracted substantial attention recently. Accurate prediction of drug properties relies heavily on effective molecular representations. The structures of chemical compounds are commonly represented as graphs or SMILES sequences. Recent advances in learning drug properties commonly employ Graph Neural Networks (GNNs) based on the graph representation. For the SMILES representation, Transformer-based architectures have been adopted by treating each SMILES string as a sequence of tokens. Because each representation has its own advantages and disadvantages, combining both representations in learning drug properties is a promising direction. We propose a method named Dual-Modality Cross-Attention (DMCA) that can effectively combine the strengths of two representations by employing the cross-attention mechanism. DMCA was evaluated across eight datasets including both classification and regression tasks. Results show that our method achieves the best overall performance, highlighting its effectiveness in leveraging the complementary information from both graph and SMILES modalities.
• Abstract（参考訳）: 分子特性予測は近年大きな注目を集めている。 薬物特性の正確な予測は、効果的な分子表現に大きく依存する。 化合物の構造は一般にグラフまたはSMILES配列として表される。 近年の薬物特性の学習にはグラフ表現に基づくグラフニューラルネットワーク(GNN)が一般的である。 SMILES表現では、Transformerベースのアーキテクチャは各SMILES文字列をトークンのシーケンスとして扱うことで採用されている。 それぞれの表現には独自の利点と欠点があるため、薬物特性の学習において両方の表現を組み合わせることが有望な方向である。 本稿では,2つの表現の強みを効果的に結合できるDMCA(Dual-Modality Cross-Attention)を提案する。 DMCAは分類タスクと回帰タスクの両方を含む8つのデータセットで評価された。 結果から,本手法はグラフとSMILESの相補的情報を活用する上での有効性を示す。

関連論文リスト

• UniMAP: Universal SMILES-Graph Representation Learning [21.25038529787392]
  ユニバーサルSMILEグラフ表現学習モデル(UniMAP)を提案する。 CMM(Multi-Level Cross-Modality Masking)、SMILES-Graph Matching(SGM)、FLA(Fragment-Level Alignment)、ドメイン知識学習(DKL)の4種類の事前学習タスクがユニマップ向けに設計されている。 実験の結果,UniMAPは最先端の事前学習方法よりも優れていた。
  論文  参考訳（メタデータ） (2023-10-22T07:48:33Z)
• GraphCL-DTA: a graph contrastive learning with molecular semantics for drug-target binding affinity prediction [2.523552067304274]
  GraphCL-DTAは、薬物表現を学習する分子グラフのためのグラフコントラスト学習フレームワークである。 次に、薬物と標的表現の均一性を調整するために直接使用できる新しい損失関数を設計する。 上記のイノベーティブな要素の有効性は、2つの実際のデータセットで検証される。
  論文  参考訳（メタデータ） (2023-07-18T06:01:37Z)
• Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [68.32093648671496]
  分子に固有の二重レベル構造を考慮に入れたGODEを導入する。 分子は固有のグラフ構造を持ち、より広い分子知識グラフ内のノードとして機能する。 異なるグラフ構造上の2つのGNNを事前学習することにより、GODEは対応する知識グラフサブ構造と分子構造を効果的に融合させる。
  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)
• Molecular Joint Representation Learning via Multi-modal Information [11.493011069441188]
  MMSGと呼ばれるSMILESと分子グラフのマルチモーダル情報を用いた分子共同表現学習フレームワークを提案する。 トランスフォーマーのアテンションバイアスとしてボンドレベルグラフ表現を導入することにより,自己注意機構を改善した。 さらに,グラフから集約された情報フローを強化するために,双方向メッセージ通信グラフニューラルネットワーク(BMC GNN)を提案する。
  論文  参考訳（メタデータ） (2022-11-25T11:53:23Z)
• Graph neural networks for the prediction of molecular structure-property relationships [59.11160990637615]
  グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。 GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。 本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
  論文  参考訳（メタデータ） (2022-07-25T11:30:44Z)
• Chemical-Reaction-Aware Molecule Representation Learning [88.79052749877334]
  本稿では,化学反応を用いて分子表現の学習を支援することを提案する。 本手法は,1) 埋め込み空間を適切に整理し, 2) 分子埋め込みの一般化能力を向上させるために有効であることが証明された。 実験結果から,本手法は様々なダウンストリームタスクにおける最先端性能を実現することが示された。
  論文  参考訳（メタデータ） (2021-09-21T00:08:43Z)
• Learning Attributed Graph Representations with Communicative Message Passing Transformer [3.812358821429274]
  分子グラフ表現を改善するために,コミュニケーティブメッセージパッシングトランス (CoMPT) ニューラルネットワークを提案する。 分子を完全連結グラフとして扱う従来のトランスフォーマースタイルのGNNとは異なり、グラフ接続帰納バイアスを利用するメッセージ拡散機構を導入する。
  論文  参考訳（メタデータ） (2021-07-19T11:58:32Z)
• Dual-view Molecule Pre-training [186.07333992384287]
  デュアルビュー分子事前学習は、両方のタイプの分子表現の強さを効果的に組み合わせることができる。 DMPは9つの分子特性予測タスクでテストされ、そのうち7つで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-06-17T03:58:38Z)
• MoCL: Contrastive Learning on Molecular Graphs with Multi-level Domain Knowledge [28.386302970315736]
  そこで我々は,表現学習を支援するために,地域レベルとグローバルレベルの両方でドメイン知識を利用するMoCLという新しいフレームワークを提案する。 我々は, 線形および半教師付き条件下で, 種々の分子データセット上でMoCLを評価する。
  論文  参考訳（メタデータ） (2021-06-05T18:00:51Z)
• Multi-View Graph Neural Networks for Molecular Property Prediction [67.54644592806876]
  マルチビューグラフニューラルネットワーク(MV-GNN)を提案する。 MV-GNNでは,学習過程を安定させるために,自己注意型読み出しコンポーネントと不一致損失を導入する。 我々は、相互依存型メッセージパッシング方式を提案することにより、MV-GNNの表現力をさらに強化する。
  論文  参考訳（メタデータ） (2020-05-17T04:46:07Z)

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。