論文の概要: Can Molecular Evolution Mechanism Enhance Molecular Representation?
- arxiv url: http://arxiv.org/abs/2501.15799v1
- Date: Mon, 27 Jan 2025 05:54:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-28 13:59:47.982070
- Title: Can Molecular Evolution Mechanism Enhance Molecular Representation?
- Title（参考訳）: 分子進化機構は分子表現を促進するか?
- Authors: Kun Li, Longtao Hu, Xiantao Cai, Jia Wu, Wenbin Hu,
- Abstract要約: 本稿では,分子表現のための分子進化ネットワーク(MEvoN)を提案する。
まず、少数の原子を持つ分子を用いてMEvoNを構築し、進化経路を生成する。
その後、原子レベルの変化をモデル化することで、MEvoNは分子特性への影響を明らかにする。
- 参考スコア（独自算出の注目度）: 15.171944363758437
- License:
- Abstract: Molecular evolution is the process of simulating the natural evolution of molecules in chemical space to explore potential molecular structures and properties. The relationships between similar molecules are often described through transformations such as adding, deleting, and modifying atoms and chemical bonds, reflecting specific evolutionary paths. Existing molecular representation methods mainly focus on mining data, such as atomic-level structures and chemical bonds directly from the molecules, often overlooking their evolutionary history. Consequently, we aim to explore the possibility of enhancing molecular representations by simulating the evolutionary process. We extract and analyze the changes in the evolutionary pathway and explore combining it with existing molecular representations. Therefore, this paper proposes the molecular evolutionary network (MEvoN) for molecular representations. First, we construct the MEvoN using molecules with a small number of atoms and generate evolutionary paths utilizing similarity calculations. Then, by modeling the atomic-level changes, MEvoN reveals their impact on molecular properties. Experimental results show that the MEvoN-based molecular property prediction method significantly improves the performance of traditional end-to-end algorithms on several molecular datasets. The code is available at https://anonymous.4open.science/r/MEvoN-7416/.
- Abstract（参考訳）: 分子進化は、化学空間における分子の自然な進化をシミュレートし、潜在的な分子構造と性質を探索する過程である。
類似した分子間の関係はしばしば、特定の進化経路を反映して、原子や化学結合の追加、削除、修飾などの変換によって説明される。
既存の分子表現法は主に原子レベルの構造や分子から直接の化学結合などの鉱業データに焦点を当てており、しばしばその進化の歴史を見下ろしている。
そこで本研究では,進化過程をシミュレートして分子表現の強化の可能性を探究する。
進化経路の変化を抽出し、解析し、既存の分子表現と組み合わせる。
そこで本研究では,分子表現のための分子進化ネットワーク(MEvoN)を提案する。
まず、少数の原子を持つ分子を用いてMEvoNを構築し、類似性計算を用いて進化経路を生成する。
その後、原子レベルの変化をモデル化することで、MEvoNは分子特性への影響を明らかにする。
実験の結果,MEvoNに基づく分子特性予測法は,複数の分子データセット上での従来のエンドツーエンドアルゴリズムの性能を著しく向上させることがわかった。
コードはhttps://anonymous.4open.science/r/MEvoN-7416/で公開されている。
関連論文リスト
- MolMiner: Transformer architecture for fragment-based autoregressive generation of molecular stories [7.366789601705544]
生成過程の化学的妥当性、解釈可能性、可変分子サイズへの柔軟性は、計算材料設計における生成モデルに残る課題の1つである。
本稿では,分子生成を離散的かつ解釈可能なステップの列に分解する自己回帰的手法を提案する。
この結果から,本モデルでは,提案した多目的目標目標に応じて,生成分布を効果的にバイアスすることができることがわかった。
論文 参考訳（メタデータ） (2024-11-10T22:00:55Z) - Quantum state tracking and control of a single molecular ion in a thermal environment [4.600707934773013]
単一分子の個々の状態間の熱放射誘起遷移のリアルタイム観測を報告する。
これらの「ジャンプ」はマイクロ波駆動の遷移によって逆転し、分子が選択された状態に居住する時間に20倍の改善がもたらされた。
論文 参考訳（メタデータ） (2023-12-28T16:29:31Z) - Multi-channel learning for integrating structural hierarchies into context-dependent molecular representation [10.025809630976065]
本稿では,より堅牢で一般化可能な化学知識を学習する,新しい事前学習フレームワークを提案する。
提案手法は,種々の分子特性ベンチマークにおける競合性能を示す。
論文 参考訳（メタデータ） (2023-11-05T23:47:52Z) - Molecule Design by Latent Space Energy-Based Modeling and Gradual
Distribution Shifting [53.44684898432997]
化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。
本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。
本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
論文 参考訳（メタデータ） (2023-06-09T03:04:21Z) - Towards Predicting Equilibrium Distributions for Molecular Systems with
Deep Learning [60.02391969049972]
本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。
DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
論文 参考訳（メタデータ） (2023-06-08T17:12:08Z) - 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) - Domain-Agnostic Molecular Generation with Chemical Feedback [44.063584808910896]
MolGenは、分子生成に特化した事前訓練された分子言語モデルである。
1億以上の分子SELFIESを再構成することで構造的および文法的な洞察を内部化する。
我々の化学フィードバックパラダイムは、モデルを分子幻覚から遠ざけ、モデルの推定確率と実世界の化学的嗜好との整合性を確保する。
論文 参考訳（メタデータ） (2023-01-26T17:52:56Z) - A Molecular Multimodal Foundation Model Associating Molecule Graphs with
Natural Language [63.60376252491507]
本稿では,分子グラフとその意味的関連テキストデータから事前学習した分子マルチモーダル基礎モデルを提案する。
我々のモデルは、生物学、化学、材料、環境、医学などの分野において、AIを動力とする分野に幅広い影響を与えるだろうと考えています。
論文 参考訳（メタデータ） (2022-09-12T00:56:57Z) - 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) - Learning a Continuous Representation of 3D Molecular Structures with
Deep Generative Models [0.0]
生成モデルは、連続的な潜伏空間における分子の表現と最適化を学ぶ全く異なるアプローチである。
原子密度格子を用いた三次元分子構造の深部生成モデルについて述べる。
また、与えられた入力化合物に基づいて多様な分子の集合をサンプリングすることで、有効な薬物様分子の創出の可能性を高めることができる。
論文 参考訳（メタデータ） (2020-10-17T01:15:47Z)
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。