論文の概要: Towards Efficient Molecular Property Optimization with Graph Energy Based Models

• arxiv url: http://arxiv.org/abs/2502.12219v1
• Date: Mon, 17 Feb 2025 11:53:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-19 14:05:51.183354
• Title: Towards Efficient Molecular Property Optimization with Graph Energy Based Models
• Title（参考訳）: グラフエネルギーモデルを用いた効率的な分子特性最適化に向けて
• Authors: Luca Miglior, Lorenzo Simone, Marco Podda, Davide Bacciu,
• Abstract要約: 本稿では,暗黙的な化学特性最適化のための生成エネルギーベースアーキテクチャを提案する。 グラフエネルギーベースモデルとプロパティラベルを必要としないトレーニングアプローチを使用します。 我々は最先端の手法に優れた結果を示し、ド・ノボの薬物設計に対する堅牢性と効率性を実証した。
• 参考スコア（独自算出の注目度）: 13.262852961663759
• License:
• Abstract: Optimizing chemical properties is a challenging task due to the vastness and complexity of chemical space. Here, we present a generative energy-based architecture for implicit chemical property optimization, designed to efficiently generate molecules that satisfy target properties without explicit conditional generation. We use Graph Energy Based Models and a training approach that does not require property labels. We validated our approach on well-established chemical benchmarks, showing superior results to state-of-the-art methods and demonstrating robustness and efficiency towards de novo drug design.
• Abstract（参考訳）: 化学特性の最適化は、化学空間の広大さと複雑さのために難しい課題である。 本稿では, 暗黙的な化学特性最適化のための生成エネルギーベースアーキテクチャを提案する。 グラフエネルギーベースモデルとプロパティラベルを必要としないトレーニングアプローチを使用します。 提案手法を確立された化学ベンチマークで検証し,最先端手法に優れた結果を示し,ド・ノボの薬物設計に対する堅牢性と効率性を実証した。

関連論文リスト

• XMOL: Explainable Multi-property Optimization of Molecules [2.320539066224081]
  複数の分子特性を同時に最適化するために,分子のマルチプロパティ最適化(XMOL)を提案する。 我々のアプローチは、最先端の幾何学的拡散モデルに基づいており、それらをマルチプロパティ最適化に拡張している。 最適化プロセス全体を通して解釈的および説明可能な技術を統合する。
  論文  参考訳（メタデータ） (2024-09-12T06:35:04Z)
• Aligning Target-Aware Molecule Diffusion Models with Exact Energy Optimization [147.7899503829411]
  AliDiffは、事前訓練されたターゲット拡散モデルと望ましい機能特性を整合させる新しいフレームワークである。 最先端の結合エネルギーを持つ分子を最大7.07 Avg. Vina Scoreで生成することができる。
  論文  参考訳（メタデータ） (2024-07-01T06:10:29Z)
• Beyond Chemical Language: A Multimodal Approach to Enhance Molecular Property Prediction [2.1202329976106924]
  本稿では,化学言語表現と物理化学的特徴を組み合わせた分子特性予測のための新しい多モーダル言語モデルを提案する。 提案手法であるMultiMODAL-MOLFORMERは,特定の標的特性に対する直接因果効果に基づいて物理化学的特徴を同定する因果多段階特徴選択法を用いている。 ケミカル言語ベースのMOLFORMERやグラフニューラルネットワークなど,既存の最先端アルゴリズムと比較して,優れた性能を示す。
  論文  参考訳（メタデータ） (2023-06-22T13:28:59Z)
• 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)
• Molecular Attributes Transfer from Non-Parallel Data [57.010952598634944]
  分子最適化をスタイル伝達問題として定式化し、非並列データの2つのグループ間の内部差を自動的に学習できる新しい生成モデルを提案する。 毒性修飾と合成性向上という2つの分子最適化タスクの実験により,本モデルがいくつかの最先端手法を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2021-11-30T06:10:22Z)
• Differentiable Scaffolding Tree for Molecular Optimization [47.447362691543304]
  本稿では,離散的な化学構造を局所的な微分可能木に変換するための知識ネットワークを用いた微分可能な足場木(DST)を提案する。 実験により, 勾配に基づく分子最適化は有効であり, 試料効率が高いことが示された。
  論文  参考訳（メタデータ） (2021-09-22T01:16:22Z)
• Reinforced Molecular Optimization with Neighborhood-Controlled Grammars [63.84003497770347]
  分子最適化のためのグラフ畳み込みポリシネットワークであるMNCE-RLを提案する。 我々は、元の近傍制御された埋め込み文法を拡張して、分子グラフ生成に適用する。 提案手法は, 分子最適化タスクの多種多様さにおいて, 最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-11-14T05:42:15Z)
• Optimizing Molecules using Efficient Queries from Property Evaluations [66.66290256377376]
  汎用的なクエリベースの分子最適化フレームワークであるQMOを提案する。 QMOは効率的なクエリに基づいて入力分子の所望の特性を改善する。 QMOは, 有機分子を最適化するベンチマークタスクにおいて, 既存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） (2020-11-03T18:51:18Z)
• Molecular Design in Synthetically Accessible Chemical Space via Deep Reinforcement Learning [0.0]
  既存の生成法は、最適化中に分子特性の分布を好適にシフトできる能力に制限されていると論じる。 本稿では,分子設計のための新しい強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-29T16:29:28Z)

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。