論文の概要: Representation of Molecules via Algebraic Data Types : Advancing Beyond SMILES & SELFIES

• arxiv url: http://arxiv.org/abs/2501.13633v3
• Date: Fri, 07 Feb 2025 16:58:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-10 14:52:54.872776
• Title: Representation of Molecules via Algebraic Data Types : Advancing Beyond SMILES & SELFIES
• Title（参考訳）: 代数データ型による分子の表現 : SMILES & SELFIESを超えての展開
• Authors: Oliver Goldstein, Samuel March,
• Abstract要約: 代数データ型(ADT)を用いた新しい分子表現法を提案する。 生成モデルよりも有意義な推論が可能であることを保証します。 シェル, サブシェル, 軌道の表現を通して, 量子情報の新たな支援を行う。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: We introduce a novel molecular representation through Algebraic Data Types (ADTs) - composite data structures formed through the combination of simpler types that obey algebraic laws. By explicitly considering how the datatype of a representation constrains the operations which may be performed, we ensure meaningful inference can be performed over generative models (programs with sample} and score operations). This stands in contrast to string-based representations where string-type operations may only indirectly correspond to chemical and physical molecular properties, and at worst produce nonsensical output. The ADT presented implements the Dietz representation for molecular constitution via multigraphs and bonding systems, and uses atomic coordinate data to represent 3D information and stereochemical features. This creates a general digital molecular representation which surpasses the limitations of the string-based representations and the 2D-graph based models on which they are based. In addition, we present novel support for quantum information through representation of shells, subshells, and orbitals, greatly expanding the representational scope beyond current approaches, for instance in Molecular Orbital theory. The framework's capabilities are demonstrated through key applications: Bayesian probabilistic programming is demonstrated through integration with LazyPPL, a lazy probabilistic programming library; molecules are made instances of a group under rotation, necessary for geometric learning techniques which exploit the invariance of molecular properties under different representations; and the framework's flexibility is demonstrated through an extension to model chemical reactions. After critiquing previous representations, we provide an open-source solution in Haskell - a type-safe, purely functional programming language.
• Abstract（参考訳）: 本稿では代数的法則に従う単純な型の組み合わせによって形成される複合データ構造である代数的データ型(ADT)による新しい分子表現を紹介する。 表現のデータ型が実行すべき操作をいかに制約するかを明示的に考慮することにより、生成モデル(サンプル付きプログラム)よりも有意義な推論を確実に行うことができる。 これは、文字列型演算が化学的および物理的分子特性に間接的にのみ対応し、最悪の場合には非感覚的な出力を生成する文字列ベースの表現とは対照的である。 ADTでは,多グラフおよび結合系による分子構成のディーツ表現を実装し,原子座標データを用いて3次元情報と立体化学的特徴を表現した。 これにより、文字列ベースの表現の限界を超える一般的なデジタル分子表現と、それらがベースとする2Dグラフベースのモデルを生成する。 さらに、シェル、サブシェル、軌道の表現を通じて量子情報に対する新しいサポートを提案し、例えば分子軌道理論において、現在のアプローチを超えて表現範囲を大きく拡大する。 ベイズ確率計画(Bayesian Probabilistic Programming)は遅延確率計画ライブラリであるLazyPPLと統合することで実証され、分子は回転中のグループの例を作る。 以前の表現を批判した後、Haskell - タイプセーフで純粋に関数型プログラミング言語でオープンソースのソリューションを提供します。

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。