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

• Pre-trained Molecular Language Models with Random Functional Group Masking [54.900360309677794]
  SMILESをベースとしたアンダーリネム分子アンダーリネム言語アンダーリネムモデルを提案し,特定の分子原子に対応するSMILESサブシーケンスをランダムにマスキングする。 この技術は、モデルに分子構造や特性をよりよく推測させ、予測能力を高めることを目的としている。
  論文  参考訳（メタデータ） (2024-11-03T01:56:15Z)
• MING: A Functional Approach to Learning Molecular Generative Models [46.189683355768736]
  本稿では,関数表現に基づく分子生成モデル学習のための新しいパラダイムを提案する。 本稿では,関数空間における分子分布を学習する拡散モデルである分子インプリシットニューラルジェネレーション(MING)を提案する。
  論文  参考訳（メタデータ） (2024-10-16T13:02:02Z)
• 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)
• Language models can generate molecules, materials, and protein binding sites directly in three dimensions as XYZ, CIF, and PDB files [0.0]
  言語モデルは分子設計の強力なツールである。 言語モデルが3次元の新規かつ有効な構造を生成する方法を示す。 化学ファイルシーケンスで訓練されているにもかかわらず、言語モデルは最先端のモデルに匹敵するパフォーマンスを保っている。
  論文  参考訳（メタデータ） (2023-05-09T18:35:38Z)
• 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)
• 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)
• Multiresolution Graph Transformers and Wavelet Positional Encoding for Learning Hierarchical Structures [6.875312133832078]
  複数のスケールで大きな分子を表現できる最初のグラフトランスアーキテクチャであるMulti resolution Graph Transformer (MGT)を提案する。 MGTは原子の表現を学習し、それらを有意義な官能基または繰り返し単位に分類することができる。 提案モデルでは, 高分子とペプチドからなるマクロ分子データセットと, 薬物様分子データセットの2つの結果を得た。
  論文  参考訳（メタデータ） (2023-02-17T01:32:44Z)
• 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)
• Learning Neural Generative Dynamics for Molecular Conformation Generation [89.03173504444415]
  分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。 分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-02-20T03:17:58Z)

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。