論文の概要: Score-based 3D molecule generation with neural fields
- arxiv url: http://arxiv.org/abs/2501.08508v1
- Date: Wed, 15 Jan 2025 01:10:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-16 15:51:30.959026
- Title: Score-based 3D molecule generation with neural fields
- Title（参考訳）: 神経場を用いたスコアベース3次元分子生成
- Authors: Matthieu Kirchmeyer, Pedro O. Pinheiro, Saeed Saremi,
- Abstract要約: 連続原子密度場に基づく3次元分子の新しい表現法を提案する。
ニューラルフィールドを用いた連続空間における無条件3次元分子生成のためのウォークジャンプサンプリングに基づく新しいモデルを提案する。
我々のモデルであるFuncMolは、条件付きニューラルネットワークを用いて分子場を潜時符号に符号化する。
FuncMolは分子構造を仮定せずに全原子で3D分子を生成する。
- 参考スコア（独自算出の注目度）: 10.0889807546726
- License:
- Abstract: We introduce a new representation for 3D molecules based on their continuous atomic density fields. Using this representation, we propose a new model based on walk-jump sampling for unconditional 3D molecule generation in the continuous space using neural fields. Our model, FuncMol, encodes molecular fields into latent codes using a conditional neural field, samples noisy codes from a Gaussian-smoothed distribution with Langevin MCMC (walk), denoises these samples in a single step (jump), and finally decodes them into molecular fields. FuncMol performs all-atom generation of 3D molecules without assumptions on the molecular structure and scales well with the size of molecules, unlike most approaches. Our method achieves competitive results on drug-like molecules and easily scales to macro-cyclic peptides, with at least one order of magnitude faster sampling. The code is available at https://github.com/prescient-design/funcmol.
- Abstract（参考訳）: 連続原子密度場に基づく3次元分子の新しい表現法を提案する。
この表現を用いて、ニューラルネットワークを用いた連続空間における無条件3次元分子生成のためのウォークジャンプサンプリングに基づく新しいモデルを提案する。
我々のモデルであるFuncMolは、条件付きニューラルネットワークを用いて、分子磁場を潜伏コードにエンコードし、Langevin MCMC(ウォーク)を用いたガウスの滑らかな分布からノイズのあるコードをサンプリングし、これらのサンプルを単一のステップ(ジャンプ)で分解し、最後にそれらを分子磁場にデコードする。
FuncMolは分子構造を仮定せずに全原子で3D分子を生成する。
提案手法は, 薬物様分子に対する競合的な結果が得られ, マクロ環状ペプチドへのスケーリングが容易であり, 少なくとも1桁の高速サンプリングが可能である。
コードはhttps://github.com/prescient-design/funcmol.comで公開されている。
関連論文リスト
- NEBULA: Neural Empirical Bayes Under Latent Representations for Efficient and Controllable Design of Molecular Libraries [5.350316354464512]
NEBULAはシード化合物を中心とした大規模分子ライブラリーをスケーラブルに生成するための,最初の潜伏3次元生成モデルである。
NEBULAは、サンプルの品質を犠牲にすることなく、既存の方法よりもほぼ1桁早く大きな分子ライブラリを生成する。
ここでのアプローチは、機械学習ベースの薬物発見に極めて有効になることを期待しています。
論文 参考訳（メタデータ） (2024-07-03T18:10:43Z) - Structure-based drug design by denoising voxel grids [5.9535699822923]
タンパク質構造を条件とした新しい3次元分子のスコアベース生成モデルであるVoxBindを提案する。
我々のアプローチは分子を3次元原子密度格子として表現し、学習と生成に3次元ボクセル除去ネットワークを活用する。
論文 参考訳（メタデータ） (2024-05-07T02:48:15Z) - 3D molecule generation by denoising voxel grids [5.50581548670289]
正規格子上に原子密度を表す3次元分子を生成するための新しいスコアベース手法を提案する。
我々は、雑音分子のスムーズな分布から実際の分子の分布への写像を学習する認知ニューラルネットワークを訓練する。
我々の実験では、VoxMolは、薬品のような分子の分布を、技術の状態よりもよく捉えつつ、サンプルを生成するのが速いことが示されている。
論文 参考訳（メタデータ） (2023-06-13T00:38:51Z) - 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) - DiffBP: Generative Diffusion of 3D Molecules for Target Protein Binding [51.970607704953096]
従来の研究は通常、原子の要素タイプと3次元座標を1つずつ生成する自己回帰的な方法で原子を生成する。
現実世界の分子系では、分子全体の原子間の相互作用が大域的であり、原子間のエネルギー関数が結合する。
本研究では、標的タンパク質に基づく分子3次元構造の生成拡散モデルを構築し、非自己回帰的に全原子レベルで構築する。
論文 参考訳（メタデータ） (2022-11-21T07:02:15Z) - 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) - Exploring Chemical Space with Score-based Out-of-distribution Generation [57.15855198512551]
生成微分方程式(SDE)にアウト・オブ・ディストリビューション制御を組み込んだスコアベース拡散方式を提案する。
いくつかの新しい分子は現実世界の薬物の基本的な要件を満たしていないため、MOODは特性予測器からの勾配を利用して条件付き生成を行う。
我々はMOODがトレーニング分布を超えて化学空間を探索できることを実験的に検証し、既存の方法で見いだされた分子、そして元のトレーニングプールの上位0.01%までも生成できることを実証した。
論文 参考訳（メタデータ） (2022-06-06T06:17:11Z) - Scalable Fragment-Based 3D Molecular Design with Reinforcement Learning [68.8204255655161]
分子構築に階層的エージェントを用いるスケーラブルな3D設計のための新しいフレームワークを提案する。
様々な実験において、エネルギーのみを考慮に入れたエージェントが、100以上の原子を持つ分子を効率よく生成できることが示されている。
論文 参考訳（メタデータ） (2022-02-01T18:54:24Z) - MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [51.00815310242277]
生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。
本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
論文 参考訳（メタデータ） (2020-10-05T20:18:42Z)
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。