論文の概要: From Molecules to Mixtures: Learning Representations of Olfactory Mixture Similarity using Inductive Biases

• arxiv url: http://arxiv.org/abs/2501.16271v1
• Date: Mon, 27 Jan 2025 18:05:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-28 13:58:40.456915
• Title: From Molecules to Mixtures: Learning Representations of Olfactory Mixture Similarity using Inductive Biases
• Title（参考訳）: 分子からミキサーへ:誘導的ビアーゼを用いた嗅覚的ミキサー類似性の学習
• Authors: Gary Tom, Cher Tian Ser, Ella M. Rajaonson, Stanley Lo, Hyun Suk Park, Brian K. Lee, Benjamin Sanchez-Lengeling,
• Abstract要約: ヒトの嗅覚として分子がどのように認識されるかという嗅覚は、いまだに理解されていない。 近年, 単一化合物の嗅覚特性をデジタル化するため, 主臭気マップ (POM) が導入された。 本稿では、混合を表現するためにPOMの拡張であるPOMMixを紹介する。
• 参考スコア（独自算出の注目度）: 0.18846515534317265
• License:
• Abstract: Olfaction -- how molecules are perceived as odors to humans -- remains poorly understood. Recently, the principal odor map (POM) was introduced to digitize the olfactory properties of single compounds. However, smells in real life are not pure single molecules, but complex mixtures of molecules, whose representations remain relatively under-explored. In this work, we introduce POMMix, an extension of the POM to represent mixtures. Our representation builds upon the symmetries of the problem space in a hierarchical manner: (1) graph neural networks for building molecular embeddings, (2) attention mechanisms for aggregating molecular representations into mixture representations, and (3) cosine prediction heads to encode olfactory perceptual distance in the mixture embedding space. POMMix achieves state-of-the-art predictive performance across multiple datasets. We also evaluate the generalizability of the representation on multiple splits when applied to unseen molecules and mixture sizes. Our work advances the effort to digitize olfaction, and highlights the synergy of domain expertise and deep learning in crafting expressive representations in low-data regimes.
• Abstract（参考訳）: ヒトの嗅覚として分子がどのように認識されるかという嗅覚は、いまだに理解されていない。 近年, 単一化合物の嗅覚特性をデジタル化するため, 主臭気マップ (POM) が導入された。 しかし、実生活の匂いは純粋な単分子ではなく、分子の複雑な混合物であり、その表現は比較的過小評価されている。 本稿では、混合を表現するためにPOMの拡張であるPOMMixを紹介する。 この表現は,(1)分子埋め込み構築のためのグラフニューラルネットワーク,(2)分子表現を混合表現に集約する注意機構,(3)コサイン予測ヘッドを用いて,混合埋め込み空間における嗅覚知覚距離を符号化する。 POMMixは複数のデータセットにまたがって最先端の予測性能を実現する。 また、未確認分子や混合サイズに適用した場合の多重分割表現の一般化性も評価した。 我々の研究は、ウルフアクションをデジタル化する努力を前進させ、低データ体制における表現表現の創造におけるドメインの専門知識とディープラーニングの相乗効果を強調します。

関連論文リスト

• Knowledge-aware contrastive heterogeneous molecular graph learning [77.94721384862699]
  分子グラフを不均一な分子グラフ学習(KCHML)に符号化するパラダイムシフトを提案する。 KCHMLは、不均一な分子グラフと二重メッセージパッシング機構によって強化された3つの異なるグラフビュー-分子、元素、薬理学-を通して分子を概念化する。 この設計は、プロパティ予測やドラッグ・ドラッグ・インタラクション(DDI)予測などの下流タスクに対する包括的な表現を提供する。
  論文  参考訳（メタデータ） (2025-02-17T11:53:58Z)
• 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)
• SE3Set: Harnessing equivariant hypergraph neural networks for molecular representation learning [27.713870291922333]
  分子表現学習に適したSE(3)同変ハイパーグラフニューラルネットワークアーキテクチャを開発した。 SE3Setは、小さな分子データセットのための最先端(SOTA)モデルと同等のパフォーマンスを示している。 MD22データセットを上回り、全ての分子で約20%の精度で顕著な改善を達成している。
  論文  参考訳（メタデータ） (2024-05-26T10:43:16Z)
• Data-Efficient Molecular Generation with Hierarchical Textual Inversion [48.816943690420224]
  分子生成のための階層型テキスト変換法 (HI-Mol) を提案する。 HI-Molは分子分布を理解する上での階層的情報、例えば粗い特徴ときめ細かい特徴の重要性にインスパイアされている。 単一レベルトークン埋め込みを用いた画像領域の従来のテキストインバージョン法と比較して, マルチレベルトークン埋め込みにより, 基礎となる低ショット分子分布を効果的に学習することができる。
  論文  参考訳（メタデータ） (2024-05-05T08:35:23Z)
• Multi-Modal Representation Learning for Molecular Property Prediction: Sequence, Graph, Geometry [6.049566024728809]
  深層学習に基づく分子特性予測は、従来の手法の資源集約性に対する解決策として登場した。 本稿では,分子特性予測のための新しいマルチモーダル表現学習モデルSGGRLを提案する。 モダリティ間の整合性を確保するため、SGGRLは異なる分子の類似性を最小化しながら同じ分子の表現の類似性を最大化するように訓練される。
  論文  参考訳（メタデータ） (2024-01-07T02:18:00Z)
• MolSets: Molecular Graph Deep Sets Learning for Mixture Property Modeling [14.067533753010897]
  分子混合物の特殊な機械学習モデルであるMollSetsを提案する。 個々の分子をグラフとして表現し、それらの混合物を集合として、モルセットはそれを混合レベルで集約する。 リチウム電池電解質の導電率予測におけるMollSetsの有効性を実証し, 化学空間の仮想スクリーニングにおけるその利点を明らかにする。
  論文  参考訳（メタデータ） (2023-12-27T08:46:14Z)
• Learning Harmonic Molecular Representations on Riemannian Manifold [18.49126496517951]
  分子表現学習は、AIによる薬物発見研究において重要な役割を担っている。 本研究では,その分子表面のラプラス・ベルトラミ固有関数を用いた分子を表現する高調波分子表現学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-27T18:02:47Z)
• Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
  我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。 我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。 複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
  論文  参考訳（メタデータ） (2023-02-04T01:32:40Z)
• Graph-based Molecular Representation Learning [59.06193431883431]
  分子表現学習(MRL)は、機械学習と化学科学を結びつけるための重要なステップである。 近年、MRLは、特に深層分子グラフ学習に基づく手法において、かなりの進歩を遂げている。
  論文  参考訳（メタデータ） (2022-07-08T17:43:20Z)
• Exploring Chemical Space with Score-based Out-of-distribution Generation [57.15855198512551]
  生成微分方程式(SDE)にアウト・オブ・ディストリビューション制御を組み込んだスコアベース拡散方式を提案する。 いくつかの新しい分子は現実世界の薬物の基本的な要件を満たしていないため、MOODは特性予測器からの勾配を利用して条件付き生成を行う。 我々はMOODがトレーニング分布を超えて化学空間を探索できることを実験的に検証し、既存の方法で見いだされた分子、そして元のトレーニングプールの上位0.01%までも生成できることを実証した。
  論文  参考訳（メタデータ） (2022-06-06T06:17:11Z)
• Multi-Objective Molecule Generation using Interpretable Substructures [38.637412590671865]
  薬物発見は、特定の化学的性質を持つ新規化合物を見つけることを目的としている。 目的は、複数の性質制約の交わりで分子をサンプリングすることを学ぶことである。 我々は、分子の合理性と呼ばれる部分構造の語彙から分子を構成することによって、この複雑さを相殺することを提案する。
  論文  参考訳（メタデータ） (2020-02-08T22:55:37Z)

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。