論文の概要: Navigating the Fragrance space Via Graph Generative Models And Predicting Odors

• arxiv url: http://arxiv.org/abs/2501.18777v1
• Date: Thu, 30 Jan 2025 22:00:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-03 14:01:27.015002
• Title: Navigating the Fragrance space Via Graph Generative Models And Predicting Odors
• Title（参考訳）: グラフ生成モデルによる香り空間のナビゲーションと臭気予測
• Authors: Mrityunjay Sharma, Sarabeshwar Balaji, Pinaki Saha, Ritesh Kumar,
• Abstract要約: 我々は、匂いの複雑な景観とより広い化学空間を効率的にナビゲートし、探索するために、生成的モデリング技術一式を探索する。 従来のアプローチとは異なり、分子を生成するだけでなく、OC AUCスコア0.97で匂いの類似性を予測し、匂いのラベルを割り当てる。
• 参考スコア（独自算出の注目度）: 0.2749898166276853
• License:
• Abstract: We explore a suite of generative modelling techniques to efficiently navigate and explore the complex landscapes of odor and the broader chemical space. Unlike traditional approaches, we not only generate molecules but also predict the odor likeliness with ROC AUC score of 0.97 and assign probable odor labels. We correlate odor likeliness with physicochemical features of molecules using machine learning techniques and leverage SHAP (SHapley Additive exPlanations) to demonstrate the interpretability of the function. The whole process involves four key stages: molecule generation, stringent sanitization checks for molecular validity, fragrance likeliness screening and odor prediction of the generated molecules. By making our code and trained models publicly accessible, we aim to facilitate broader adoption of our research across applications in fragrance discovery and olfactory research.
• Abstract（参考訳）: 我々は、匂いの複雑な景観とより広い化学空間を効率的にナビゲートし、探索するために、生成的モデリング技術一式を探索する。 従来のアプローチとは異なり、分子を生成するだけでなく、OC AUCスコア0.97で匂いの類似性を予測し、匂いのラベルを割り当てる。 我々は、機械学習技術を用いた分子の物理化学的特徴と匂いの類似性を相関させ、SHAP(SHapley Additive exPlanations)を活用して、機能の解釈可能性を示す。 プロセス全体は、分子の生成、分子の有効性の厳密な衛生チェック、香りの類似性、生成した分子の臭気予測の4つの重要な段階を含む。 コードとトレーニング済みのモデルを一般公開することで、香り発見や嗅覚研究のアプリケーションにまたがる研究の広範な採用を促進することを目指しています。

関連論文リスト

• Diffusion Models for Molecules: A Survey of Methods and Tasks [56.44565051667812]
  分子に関する生成タスクは、薬物の発見と材料設計に不可欠である。 拡散モデルは、深い生成モデルの印象的なクラスとして現れている。 本稿では拡散モデルに基づく分子生成法について包括的に調査する。
  論文  参考訳（メタデータ） (2025-02-13T17:22:50Z)
• Conditional Synthesis of 3D Molecules with Time Correction Sampler [58.0834973489875]
  Time-Aware Conditional Synthesis (TACS) は拡散モデルにおける条件生成の新しい手法である。 適応的に制御されたプラグアンドプレイの"オンライン"ガイダンスを拡散モデルに統合し、サンプルを所望の特性に向けて駆動する。
  論文  参考訳（メタデータ） (2024-11-01T12:59:25Z)
• Molecule Generation and Optimization for Efficient Fragrance Creation [0.0]
  この研究は、嗅覚体験を再現する機械学習中心のアプローチを導入する。 主な貢献は、香水分子構造と人間の嗅覚を結合するハイブリッドモデルである。 この方法論は、利用可能な実験データを用いて、2つの異なる嗅覚経験を再現することによって検証される。
  論文  参考訳（メタデータ） (2024-02-19T13:32:30Z)
• Olfactory Label Prediction on Aroma-Chemical Pairs [0.2749898166276853]
  本稿では,アロマケミカルのブレンドから発生する臭気特性を正確に予測できるグラフニューラルネットワークモデルを提案する。 本稿では、ラベル付き分子対からなるデータセットに対して、既存のアプローチと新しいアプローチの両方を適用する。
  論文  参考訳（メタデータ） (2023-12-26T17:18:09Z)
• Equivariant 3D-Conditional Diffusion Models for Molecular Linker Design [82.23006955069229]
  分子リンカ設計のためのE(3)等価な3次元拡散モデルDiffLinkerを提案する。 我々のモデルは、欠落した原子を中間に配置し、初期フラグメントを全て組み込んだ分子を設計する。 DiffLinkerは、より多種多様な合成可能な分子を生成する標準データセット上で、他の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T09:13:37Z)
• Retrieval-based Controllable Molecule Generation [63.44583084888342]
  制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。 我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。 提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
  論文  参考訳（メタデータ） (2022-08-23T17:01:16Z)
• 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)
• 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)
• ChemoVerse: Manifold traversal of latent spaces for novel molecule discovery [0.7742297876120561]
  所望の化学的性質を持つ分子構造を同定することが不可欠である。 ニューラルネットワークと機械学習を用いた生成モデルの最近の進歩は、薬物のような化合物の仮想ライブラリの設計に広く利用されている。
  論文  参考訳（メタデータ） (2020-09-29T12:11:40Z)
• Reinforcement Learning for Molecular Design Guided by Quantum Mechanics [10.112779201155005]
  分子設計のための新しいRL式を座標で提示し、構築可能な分子のクラスを拡張した。 我々の報酬関数は、高速量子化学法で近似したエネルギーのような基本的な物理的性質に基づいている。 本実験では, 翻訳および回転不変状態-作用空間で作業することで, エージェントがスクラッチからこれらの課題を効率的に解けることを示す。
  論文  参考訳（メタデータ） (2020-02-18T16:43:58Z)

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。