論文の概要: Towards Environment-Sensitive Molecular Inference via Mixed Integer Linear Programming
- arxiv url: http://arxiv.org/abs/2503.01849v1
- Date: Mon, 17 Feb 2025 06:07:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-09 04:18:58.022981
- Title: Towards Environment-Sensitive Molecular Inference via Mixed Integer Linear Programming
- Title（参考訳）: 混合整数線形計画法による環境感性分子推論に向けて
- Authors: Jianshen Zhu, Mao Takekida, Naveed Ahmed Azam, Kazuya Haraguchi, Liang Zhao, Tatsuya Akutsu,
- Abstract要約: 複数分子と実験条件の組み合わせが特性値に与える影響を捉えることができる新しいQSAR/QSPRフレームワークを提案する。
複数の分子と環境の情報を統合する特徴関数を設計する。
- 参考スコア（独自算出の注目度）: 5.763661159910719
- License:
- Abstract: Traditional QSAR/QSPR and inverse QSAR/QSPR methods often assume that chemical properties are dictated by single molecules, overlooking the influence of molecular interactions and environmental factors. In this paper, we introduce a novel QSAR/QSPR framework that can capture the combined effects of multiple molecules (e.g., small molecules or polymers) and experimental conditions on property values. We design a feature function to integrate the information of multiple molecules and the environment. Specifically, for the property Flory-Huggins $\chi$-parameter, which characterizes the thermodynamic properties between the solute and the solvent, and varies in temperatures, we demonstrate through computational experimental results that our approach can achieve a competitively high learning performance compared to existing works on predicting $\chi$-parameter values, while inferring the solute polymers with up to 50 non-hydrogen atoms in their monomer forms in a relatively short time. A comparison study with the simulation software J-OCTA demonstrates that the polymers inferred by our methods are of high quality.
- Abstract（参考訳）: 従来のQSAR/QSPR法や逆QSAR/QSPR法では、化学的性質は分子相互作用や環境要因の影響を見越して単一の分子によって決定されていると仮定することが多い。
本稿では, 複数分子(例えば, 小分子, 高分子)と実験条件の複合効果を特性値に与える新しいQSAR/QSPRフレームワークを提案する。
複数の分子と環境の情報を統合する特徴関数を設計する。
具体的には, 溶質と溶媒間の熱力学特性を特徴付ける性質であるFlory-Huggins $\chi$-parameter について, 計算実験により, 従来の$\chi$-parameter値予測法と比較して, 比較的短時間で50個の非水素原子を含む溶質ポリマーを推定しながら, 競合的に高い学習性能が得られることを示した。
シミュレーションソフトウェアJ-OCTAとの比較研究により, 提案手法によって推定されるポリマーは高品質であることが確認された。
関連論文リスト
- 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) - Atom-Motif Contrastive Transformer for Molecular Property Prediction [68.85399466928976]
グラフトランス (GT) モデルは分子特性予測 (MPP) のタスクで広く利用されている。
本稿では,原子レベルの相互作用を探索し,モチーフレベルの相互作用を考慮した新しいAtom-Motif Contrastive Transformer(AMCT)を提案する。
提案したAMCTは,7つの一般的なベンチマークデータセットに対して広範囲に評価され,定量的および定性的な結果の両方が有効であることを示す。
論文 参考訳（メタデータ） (2023-10-11T10:03:10Z) - 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) - 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) - Accurate Machine Learned Quantum-Mechanical Force Fields for
Biomolecular Simulations [51.68332623405432]
分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。
近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。
本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
論文 参考訳（メタデータ） (2022-05-17T13:08:28Z) - Dynamic of Single Molecules in Collective Light-Matter States from First
Principles [0.0]
分子の集合と共有フォトニックモードとのコヒーレントな相互作用は、強い光とマターのカップリングをもたらす。
単一分子の完全な初期表現を維持しながら、集合的な性質を捉えるための単純なアプローチを導入する。
化学反応における凝集強結合の影響はエミッタ数に非自明な依存を呈する。
論文 参考訳（メタデータ） (2022-04-04T15:58:04Z) - Chemical-Reaction-Aware Molecule Representation Learning [88.79052749877334]
本稿では,化学反応を用いて分子表現の学習を支援することを提案する。
本手法は,1) 埋め込み空間を適切に整理し, 2) 分子埋め込みの一般化能力を向上させるために有効であることが証明された。
実験結果から,本手法は様々なダウンストリームタスクにおける最先端性能を実現することが示された。
論文 参考訳（メタデータ） (2021-09-21T00:08:43Z) - Property-aware Adaptive Relation Networks for Molecular Property
Prediction [34.13439007658925]
分子特性予測問題に対する特性認識適応関係ネットワーク(PAR)を提案する。
我々のPARは、既存のグラフベースの分子エンコーダと互換性があり、プロパティ対応分子埋め込みとモデル分子関係グラフを得る能力も備えている。
論文 参考訳（メタデータ） (2021-07-16T16:22:30Z) - Flexible dual-branched message passing neural network for quantum
mechanical property prediction with molecular conformation [16.08677447593939]
メッセージパッシングフレームワークに基づく分子特性予測のための二重分岐ニューラルネットワークを提案する。
本モデルでは,様々なスケールで異種分子の特徴を学習し,予測対象に応じて柔軟に学習する。
論文 参考訳（メタデータ） (2021-06-14T10:00:39Z) - Machine learning of solvent effects on molecular spectra and reactions [3.4376560669160394]
本稿では、分子と任意の外部磁場との相互作用をモデル化するためのディープニューラルネットワークFieldSchNetを紹介する。
FieldSchNetは豊富な分子応答特性へのアクセスを提供し、幅広い分子スペクトルをシミュレートすることができる。
本研究では、FieldSchNetを用いて、溶媒効果が分子スペクトルおよびクレイゼン配位反応に与える影響を研究する。
論文 参考訳（メタデータ） (2020-10-28T12:50:30Z) - End-to-End Differentiable Molecular Mechanics Force Field Construction [0.5269923665485903]
化学環境を知覚するためにグラフニューラルネットワークを用いる別のアプローチを提案する。
プロセス全体がモジュール化されており、モデルパラメータに関してエンドツーエンドの差別化が可能である。
本手法は, 従来の原子型を再現するだけでなく, 既存の分子力学力場を正確に再現し, 拡張することができることを示す。
論文 参考訳（メタデータ） (2020-10-02T20:59:46Z)
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。