論文の概要: InversionGNN: A Dual Path Network for Multi-Property Molecular Optimization

• arxiv url: http://arxiv.org/abs/2503.01488v1
• Date: Mon, 03 Mar 2025 12:53:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-05 19:16:36.965080
• Title: InversionGNN: A Dual Path Network for Multi-Property Molecular Optimization
• Title（参考訳）: InversionGNN:多機能分子最適化のためのデュアルパスネットワーク
• Authors: Yifan Niu, Ziqi Gao, Tingyang Xu, Yang Liu, Yatao Bian, Yu Rong, Junzhou Huang, Jia Li,
• Abstract要約: InversionGNNは、多目的薬物発見のための有効だがサンプル効率のよいデュアルパスグラフニューラルネットワーク(GNN)である。 関数群の最適組み合わせに関する知識を得るために,マルチプロパティ予測のためのモデルを訓練する。 そして、学習された化学知識は、インバージョン生成経路が要求される性質を持つ分子を生成するのに役立つ。
• 参考スコア（独自算出の注目度）: 77.79862482208326
• License:
• Abstract: Exploring chemical space to find novel molecules that simultaneously satisfy multiple properties is crucial in drug discovery. However, existing methods often struggle with trading off multiple properties due to the conflicting or correlated nature of chemical properties. To tackle this issue, we introduce InversionGNN framework, an effective yet sample-efficient dual-path graph neural network (GNN) for multi-objective drug discovery. In the direct prediction path of InversionGNN, we train the model for multi-property prediction to acquire knowledge of the optimal combination of functional groups. Then the learned chemical knowledge helps the inversion generation path to generate molecules with required properties. In order to decode the complex knowledge of multiple properties in the inversion path, we propose a gradient-based Pareto search method to balance conflicting properties and generate Pareto optimal molecules. Additionally, InversionGNN is able to search the full Pareto front approximately in discrete chemical space. Comprehensive experimental evaluations show that InversionGNN is both effective and sample-efficient in various discrete multi-objective settings including drug discovery.
• Abstract（参考訳）: 複数の性質を同時に満たす新しい分子を見つけるための化学空間の探索は、薬物発見に不可欠である。 しかし、既存の手法は、化学特性の矛盾や相関性のために、複数の性質の取引に苦慮することが多い。 この問題に対処するために,多目的薬物発見のための効果的なサンプル効率の良いデュアルパスグラフニューラルネットワーク(GNN)であるInversionGNNフレームワークを導入する。 InversionGNNの直接予測パスでは、関数群の最適組み合わせに関する知識を得るために、多目的予測のためのモデルを訓練する。 そして、学習された化学知識は、インバージョン生成経路が要求される性質を持つ分子を生成するのに役立つ。 逆経路における複数の性質の複雑な知識を復号化するために,矛盾する性質のバランスを保ち,パレート最適分子を生成する勾配に基づくパレート探索法を提案する。 さらに、InversionGNNは離散的な化学空間でパレートフロント全体を探索することができる。 総合的な実験的評価から、InversionGNNは、薬物発見を含む様々な離散的多目的設定において、有効かつサンプル効率が高いことが示唆された。

関連論文リスト

• Molecule Design by Latent Prompt Transformer [76.2112075557233]
  本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。 本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-27T03:33:23Z)
• Objective-Agnostic Enhancement of Molecule Properties via Multi-Stage VAE [1.3597551064547502]
  変異オートエンコーダ(VAE)は医薬品発見の一般的な方法であり、その性能を改善するために様々なアーキテクチャやパイプラインが提案されている。 VAEアプローチは、データが高次元の周囲空間に埋め込まれた低次元多様体上にあるとき、多様体の回復不良に悩まされることが知られている。 本稿では, 合成データセット上での多様体回復を向上する多段階VAEアプローチを創薬分野に適用することを検討する。
  論文  参考訳（メタデータ） (2023-08-24T20:22:22Z)
• Machine Learning Small Molecule Properties in Drug Discovery [44.62264781248437]
  我々は, 結合親和性, 溶解性, ADMET (吸収, 分布, 代謝, 排出, 毒性) を含む幅広い特性について検討する。 化学指紋やグラフベースニューラルネットワークなど,既存の一般的な記述子や埋め込みについて論じる。 最後に、モデル予測の理解を提供する技術、特に薬物発見における重要な意思決定について評価する。
  論文  参考訳（メタデータ） (2023-08-02T22:18:41Z)
• 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)
• 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)
• 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)
• A Systematic Comparison Study on Hyperparameter Optimisation of Graph Neural Networks for Molecular Property Prediction [8.02401104726362]
  グラフニューラルネットワーク(GNN)は、幅広いグラフ関連学習タスクに対して提案されている。 近年,分子特性の予測に応用されたGNNシステムが増えてきている。
  論文  参考訳（メタデータ） (2021-02-08T15:40:50Z)
• Controlled Molecule Generator for Optimizing Multiple Chemical Properties [9.10095508718581]
  2つの制約ネットワークを持つトランスフォーマーに基づく新しい最適化された分子生成モデルを提案する。 実験により,提案モデルでは,複数の特性を同時に最適化する上で,最先端モデルよりも有意な差が認められた。
  論文  参考訳（メタデータ） (2020-10-26T21:26:14Z)
• MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [51.00815310242277]
  生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。 本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
  論文  参考訳（メタデータ） (2020-10-05T20:18:42Z)

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。