論文の概要: SMILES has to go : Representation of Molecules via Algebraic Data Types

• arxiv url: http://arxiv.org/abs/2501.13633v1
• Date: Thu, 23 Jan 2025 13:06:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-24 15:55:29.291721
• Title: SMILES has to go : Representation of Molecules via Algebraic Data Types
• Title（参考訳）: SMILESは行わなければならない : 代数的データ型による分子の表現
• Authors: Oliver Goldstein,
• Abstract要約: 本稿では,代数データ型(ADT)を用いた分子の新規表現法を提案する。 この表現は、多中心、多原子結合および非局在電子を持つ有機金属の表現を可能にするディーツ表現を用いる。 分子構造に対してベイズ的機械学習(確率的プログラミング)を行おうとする人々に保証を提供することがモチベーションとなっている。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This paper proposes a novel representation of molecules through Algebraic Data Types (ADTs). The representation has useful properties primarily by including type information. The representation uses the Dietz representation enabling representation of organometallics with multi-centre, multi-atom bonding and delocalised electrons, resonant structures and co-ordinate data of atoms. Furthermore, this representation goes further than any other in the literature, providing a natural data structure to represent shells, subshells and orbitals. Perks of the representation include it's natural inclusion in reaction descriptions and the ability to make molecules instances of algebraic groups. The representation is further motivated as providing guarantees for those wishing to do Bayesian machine learning (probabilistic programming) over molecular structures. A criticism of competing and commonly used representations such as SMILES and SELFIES is provided and solutions are proposed to the weaknesses of these along with an open source library, written in Haskell. An example of integrating the library with LazyPPL -- a lazy probabilistic programming library written in Haskell -- is provided, conceptually justifying the efficiency of the representation over string based representations and recent work such as SELFIES. This library distinguishes between the data and the type of data -- enabling a separation of concerns between interface and object. I solve three problems associated with the future of SELFIES, molecular programming language, 3D information, syntactic invalidity and Dietz representation.
• Abstract（参考訳）: 本稿では,代数データ型(ADT)を用いた新しい分子表現法を提案する。 この表現は、主に型情報を含むことで有用である。 この表現は、多中心多原子結合と非局在電子、共鳴構造、原子の共配位データによる有機金属の表現を可能にするディーツ表現を用いる。 さらに、この表現は他の文献のどのものよりも進んでおり、シェル、サブシェル、軌道を表す自然なデータ構造を提供する。 表現のパークは、反応記述に自然に含まれており、代数基の分子インスタンスを作る能力を含んでいる。 この表現は、分子構造に対してベイズ的機械学習(確率的プログラミング)を行おうとする人々に保証を提供するものとして、さらに動機づけられている。 SMILESやSELFIESといった競合する一般的な表現に対する批判があり、Haskellで書かれたオープンソースライブラリとともに、これらの弱点に対する解決策が提案されている。 Haskellで書かれた遅延確率的プログラミングライブラリであるLazyPPLとライブラリを統合する例が提供されている。 このライブラリは、データとデータのタイプを区別します。 SELFIES, 分子プログラミング言語, 3次元情報, 構文的無効性, ダイエット表現の3つの課題を解決した。

関連論文リスト

• Graph-Dictionary Signal Model for Sparse Representations of Multivariate Data [49.77103348208835]
  グラフの有限集合がラプラシアンの重み付き和を通してデータ分布の関係を特徴付けるグラフ辞書信号モデルを定義する。 本稿では,観測データからグラフ辞書表現を推論するフレームワークを提案する。 我々は,脳活動データに基づく運動画像復号作業におけるグラフ辞書表現を利用して,従来の手法よりも想像的な動きをよりよく分類する。
  論文  参考訳（メタデータ） (2024-11-08T17:40:43Z)
• FARM: Functional Group-Aware Representations for Small Molecules [55.281754551202326]
  小型分子のための機能的グループ認識表現(FARM)について紹介する。 FARMはSMILES、自然言語、分子グラフのギャップを埋めるために設計された基礎モデルである。 MoleculeNetデータセット上でFARMを厳格に評価し、12タスク中10タスクで最先端のパフォーマンスを実現しています。
  論文  参考訳（メタデータ） (2024-10-02T23:04:58Z)
• Explaining Datasets in Words: Statistical Models with Natural Language Parameters [66.69456696878842]
  本稿では, クラスタリング, 時系列, 分類モデルなど, 自然言語の述語によってパラメータ化される統計モデル群を紹介する。 当社のフレームワークは、ユーザチャット対話の分類、時間の経過とともにどのように進化するかの特徴付け、一方の言語モデルが他方よりも優れているカテゴリを見つけることなど、幅広い問題に適用しています。
  論文  参考訳（メタデータ） (2024-09-13T01:40:20Z)
• Atomas: Hierarchical Alignment on Molecule-Text for Unified Molecule Understanding and Generation [42.08917809689811]
  SMILES文字列とテキストから表現を共同学習するマルチモーダルな分子表現学習フレームワークAtomasを提案する。 検索タスクでは、Atomasは堅牢な一般化能力を示し、ベースラインを平均30.8%上回っている。 生成タスクでは、Atomasは分子キャプションタスクと分子生成タスクの両方で最先端の結果を達成する。
  論文  参考訳（メタデータ） (2024-04-23T12:35:44Z)
• 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)
• SELFormer: Molecular Representation Learning via SELFIES Language Models [0.0]
  本研究では,トランスアーキテクチャに基づく化学言語モデルであるSELFormerを提案する。 SELFormerは200万の薬物類似化合物で事前訓練され、様々な分子特性予測タスクのために微調整されている。 性能評価の結果,SELFormerはグラフ学習に基づくアプローチやSMILESに基づく化学言語モデルなど,競合するすべての手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2023-04-10T15:38:25Z)
• Quantum computing with anyons: an $F$-matrix and braid calculator [0.0]
  我々は,SageMathの一部として利用可能なペンタゴン方程式解法を導入し,それを用いて任意のシステムに関連付けられたブレイド群表現を構築する。 我々は,複数の公理を満たすデータの集合とともに,ラベルの集合として抽象的に提示する。 RFCの言語では、マルチプライシティフリーな融合環に対応する任意のシステムに対して$F$-matriceを生成できる。
  論文  参考訳（メタデータ） (2022-12-01T19:31:17Z)
• High-dimensional distributed semantic spaces for utterances [0.2907403645801429]
  本稿では,発話とテキストレベルデータの高次元表現モデルについて述べる。 言語情報を表現する数学的原理と行動学的に妥当なアプローチに基づいている。 本論文は,固定次元の共通積分フレームワークにおいて,実装モデルが言語的特徴を広範囲に表すことができるかを示す。
  論文  参考訳（メタデータ） (2021-04-01T12:09:47Z)
• Prototypical Representation Learning for Relation Extraction [56.501332067073065]
  本論文では, 遠隔ラベルデータから予測可能, 解釈可能, 堅牢な関係表現を学習することを目的とする。 文脈情報から各関係のプロトタイプを学習し,関係の本質的意味を最善に探求する。 いくつかの関係学習タスクの結果,本モデルが従来の関係モデルを大きく上回っていることがわかった。
  論文  参考訳（メタデータ） (2021-03-22T08:11:43Z)
• Structured (De)composable Representations Trained with Neural Networks [21.198279941828112]
  テンプレート表現は、クラス全体の特性をキャプチャするジェネリック表現を指す。 提案手法は、エンドツーエンドのディープラーニングを用いて、入力画像と離散ラベルから構造化および構成可能な表現を学習する。 表現には明確な構造があることを証明し、表現をクラスや環境を表す因子に分解する。
  論文  参考訳（メタデータ） (2020-07-07T10:20:31Z)
• ASGN: An Active Semi-supervised Graph Neural Network for Molecular Property Prediction [61.33144688400446]
  本稿では,ラベル付き分子とラベルなし分子の両方を組み込んだ,アクティブ半教師付きグラフニューラルネットワーク(ASGN)を提案する。 教師モデルでは,分子構造や分子分布から情報を共同で活用する汎用表現を学習するための,新しい半教師付き学習手法を提案する。 最後に,分子多様性の観点から,フレームワーク学習全体を通して情報的データを選択するための新しい能動的学習戦略を提案する。
  論文  参考訳（メタデータ） (2020-07-07T04:22:39Z)

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。