論文の概要: Enhancing Retrosynthesis with Conformer: A Template-Free Method
- arxiv url: http://arxiv.org/abs/2501.12434v1
- Date: Tue, 21 Jan 2025 18:54:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-23 16:53:23.789698
- Title: Enhancing Retrosynthesis with Conformer: A Template-Free Method
- Title（参考訳）: コンバータによる再合成の促進:テンプレートフリー手法
- Authors: Jiaxi Zhuang, Qian Zhang, Ying Qian,
- Abstract要約: 再合成は、有機合成と薬物開発において重要な役割を担っている。
本稿では,3次元コンフォメータデータと空間情報を組み合わせたトランスフォーマーベースのテンプレートフリー手法を提案する。
我々のアプローチには、入力段階で3D位置データを統合するAtom-align Fusionモジュールが含まれています。
- 参考スコア（独自算出の注目度）: 2.990854929039588
- License:
- Abstract: Retrosynthesis plays a crucial role in the fields of organic synthesis and drug development, where the goal is to identify suitable reactants that can yield a target product molecule. Although existing methods have achieved notable success, they typically overlook the 3D conformational details and internal spatial organization of molecules. This oversight makes it challenging to predict reactants that conform to genuine chemical principles, particularly when dealing with complex molecular structures, such as polycyclic and heteroaromatic compounds. In response to this challenge, we introduce a novel transformer-based, template-free approach that incorporates 3D conformer data and spatial information. Our approach includes an Atom-align Fusion module that integrates 3D positional data at the input stage, ensuring correct alignment between atom tokens and their respective 3D coordinates. Additionally, we propose a Distance-weighted Attention mechanism that refines the self-attention process, constricting the model s focus to relevant atom pairs in 3D space. Extensive experiments on the USPTO-50K dataset demonstrate that our model outperforms previous template-free methods, setting a new benchmark for the field. A case study further highlights our method s ability to predict reasonable and accurate reactants.
- Abstract（参考訳）: 再合成は有機合成や薬物開発において重要な役割を担い、そこではターゲットとなる生成物分子を生成できる適切な反応物質を特定することが目的である。
既存の手法は顕著な成功を収めているが、通常は3D配座の詳細や分子の内部空間構造を見落としている。
この監視により、特に多環化合物やヘテロ芳香族化合物のような複雑な分子構造を扱う際に、真の化学原理に従う反応を予測することが困難になる。
この課題に対応するために,3次元コンフォメータデータと空間情報を組み込んだ,トランスフォーマーベースのテンプレートフリーな新しい手法を提案する。
我々のアプローチには、入力段階で3D位置データを統合し、原子トークンとそれぞれの3D座標との正確なアライメントを確保するAtom-align Fusionモジュールが含まれています。
さらに,3次元空間内の原子対に焦点を絞って自己認識プロセスを洗練させる距離重み付き注意機構を提案する。
USPTO-50Kデータセットの大規模な実験により、我々のモデルは従来のテンプレートフリーメソッドよりも優れており、フィールドの新しいベンチマークが設定されている。
ケーススタディでは、合理的かつ正確な反応を予測できる手法の能力をさらに強調している。
関連論文リスト
- 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) - UniIF: Unified Molecule Inverse Folding [67.60267592514381]
全分子の逆折り畳みのための統一モデルUniIFを提案する。
提案手法は,全タスクにおける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） (2024-05-29T10:26:16Z) - Generation of 3D Molecules in Pockets via Language Model [0.0]
逐次線記法(SMILES)やグラフ表現に基づく分子の生成モデルは、構造に基づく薬物設計の分野への関心が高まっている。
本稿では,言語モデルと幾何学的深層学習技術を組み合わせたポケットベースの3次元分子生成手法であるLingo3DMolを紹介する。
論文 参考訳（メタデータ） (2023-05-17T11:31:06Z) - 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) - 3D Equivariant Diffusion for Target-Aware Molecule Generation and
Affinity Prediction [9.67574543046801]
標的薬物設計における3D構造の導入は、他の標的のないモデルよりも優れた性能を示す。
上記の課題を解決するために,3次元同変拡散モデルを開発した。
我々のモデルは、より現実的な3D構造とタンパク質標的に対する親和性を持つ分子を生成し、再学習することなく結合親和性ランキングと予測を改善することができる。
論文 参考訳（メタデータ） (2023-03-06T23:01:43Z) - Molecular Geometry-aware Transformer for accurate 3D Atomic System
modeling [51.83761266429285]
本稿では,ノード(原子)とエッジ(結合と非結合の原子対)を入力とし,それらの相互作用をモデル化するトランスフォーマーアーキテクチャを提案する。
MoleformerはOC20の緩和エネルギー予測の初期状態の最先端を実現し、QM9では量子化学特性の予測に非常に競争力がある。
論文 参考訳（メタデータ） (2023-02-02T03:49:57Z) - 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) - A 3D Molecule Generative Model for Structure-Based Drug Design [18.29582138009123]
構造に基づく薬物設計において、特定のタンパク質結合部位に結合する分子を生成するという根本的な問題を研究する。
指定された3Dタンパク質結合部位に与えられた分子を生成する3D生成モデルを提案する。
論文 参考訳（メタデータ） (2022-03-20T03:54:47Z) - Learning 3D Representations of Molecular Chirality with Invariance to
Bond Rotations [2.17167311150369]
3次元分子コンバータのねじれ角を処理するSE(3)不変モデルを設計する。
本研究では, 学習空間における異なる立体異性体のコンホメータを識別するコントラスト学習, キラル中心をR/Sに分類する学習, エンテロマーが円偏光でどのように回転するかの予測, タンパクポケット内のドッキングスコアによるエナンチオマーのランキングの4つのベンチマークを用いて実験を行った。
論文 参考訳（メタデータ） (2021-10-08T21:25:47Z) - 3D-Transformer: Molecular Representation with Transformer in 3D Space [11.947499562836953]
3Dトランスフォーマー(3D-Transformer)は、3D空間情報を組み込んだ分子表現用トランスフォーマーの変種である。
本実験は, 結晶特性予測タスクとタンパク質-リガンド結合親和性予測タスクにおいて, 最先端モデルに対して有意な改善が認められた。
論文 参考訳（メタデータ） (2021-10-04T05:11:23Z) - 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)
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。