論文の概要: Improved Molecular Generation through Attribute-Driven Integrative Embeddings and GAN Selectivity

• arxiv url: http://arxiv.org/abs/2504.19040v1
• Date: Sat, 26 Apr 2025 22:15:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:54.103004
• Title: Improved Molecular Generation through Attribute-Driven Integrative Embeddings and GAN Selectivity
• Title（参考訳）: 属性駆動型インテグレーティブ・エンベディングとGAN選択性による分子生成の改善
• Authors: Nandan Joshi, Erhan Guven,
• Abstract要約: 本稿では,変圧器を用いたベクトル埋め込みジェネレータとGAN(Generative Adrialversa Network)を併用して,所望の特性を持つ分子を生成する手法を提案する。 埋め込みジェネレータは、モーガンの指紋とグローバルな分子特性を統合する新しい分子記述子を利用する。 この手法は、ラベル付き臭気成分と非臭気化合物のデータセットを用いて、新規な臭気分子を生成することによって検証される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The growing demand for molecules with tailored properties in fields such as drug discovery and chemical engineering has driven advancements in computational methods for molecular design. Machine learning-based approaches for de-novo molecular generation have recently garnered significant attention. This paper introduces a transformer-based vector embedding generator combined with a modified Generative Adversarial Network (GAN) to generate molecules with desired properties. The embedding generator utilizes a novel molecular descriptor, integrating Morgan fingerprints with global molecular attributes, enabling the transformer to capture local functional groups and broader molecular characteristics. Modifying the GAN generator loss function ensures the generation of molecules with specific desired properties. The transformer achieves a reconversion accuracy of 94% while translating molecular descriptors back to SMILES strings, validating the utility of the proposed embeddings for generative tasks. The approach is validated by generating novel odorant molecules using a labeled dataset of odorant and non-odorant compounds. With the modified range-loss function, the GAN exclusively generates odorant molecules. This work underscores the potential of combining novel vector embeddings with transformers and modified GAN architectures to accelerate the discovery of tailored molecules, offering a robust tool for diverse molecular design applications.
• Abstract（参考訳）: 医薬品の発見や化学工学などの分野における調整された性質を持つ分子の需要が増大し、分子設計のための計算手法が進歩してきた。 機械学習に基づくデノボ分子生成のアプローチは、最近大きな注目を集めている。 本稿では,変圧器を用いたベクトル埋め込みジェネレータとGAN(Generative Adversarial Network)を併用して,所望の特性を持つ分子を生成する手法を提案する。 埋め込みジェネレータは、モーガン指紋をグローバルな分子特性と統合する新しい分子記述子を利用しており、トランスフォーマーは局所的な官能基とより広い分子特性を捕捉することができる。 GANジェネレータ損失関数の修飾により、特定の望ましい性質を持つ分子の生成が保証される。 変換器は、分子ディスクリプタをSMILES文字列に変換しながら、94%の変換精度を達成し、生成タスクへの埋め込み提案の有効性を検証した。 この手法は、ラベル付き臭気成分と非臭気化合物のデータセットを用いて、新規な臭気分子を生成することによって検証される。 改良されたレンジロス機能により、GANは排臭剤分子を排他的に生成する。 この研究は、様々な分子設計応用のための堅牢なツールを提供するために、新しいベクトル埋め込みとトランスフォーマーと改良されたGANアーキテクチャを組み合わせる可能性を強調している。

関連論文リスト

• A Reinforcement Learning-Driven Transformer GAN for Molecular Generation [6.397243531623856]
  本研究では,これらの課題に対処するために,トランスフォーマーをベースとした新しい離散GANフレームワークであるRL-MolGANを紹介する。 従来のTransformerとは異なり、RL-MolGANは最初のデコーダ-then-encoder構造を利用して、$denovo$と足場ベースの設計の両方から薬物のような分子を生成する。 さらに、RL-MolGANは強化学習(RL)とモンテカルロ木探索(MCTS)技術を統合し、GANトレーニングの安定性を高め、生成分子の化学的性質を最適化する。
  論文  参考訳（メタデータ） (2025-03-17T04:06:10Z)
• De Novo Generation of Hit-like Molecules from Gene Expression Profiles via Deep Learning [3.9518122220368905]
  生体活性と薬物様特性を有する新しい分子を生成するために,ハイブリッドニューラルネットワーク HNN2Mol を提案する。 実験およびケーススタディにより、提案されたHNN2Molモデルが、潜在的な生物活性と薬物様の性質を持つ新しい分子を生成できることが示されている。
  論文  参考訳（メタデータ） (2024-12-27T03:16:56Z)
• Text-Guided Multi-Property Molecular Optimization with a Diffusion Language Model [77.50732023411811]
  変換器を用いた拡散言語モデル(TransDLM)を用いたテキスト誘導多目的分子最適化手法を提案する。 TransDLMは標準化された化学命名法を分子の意味表現として利用し、プロパティ要求をテキスト記述に暗黙的に埋め込む。 提案手法は, 分子構造類似性を最適化し, ベンチマークデータセットの化学的特性を向上するための最先端手法を超越した手法である。
  論文  参考訳（メタデータ） (2024-10-17T14:30:27Z)
• When Molecular GAN Meets Byte-Pair Encoding [2.5398391570038736]
  本研究は, バイトレベルのバイトペアエンコーディングトークンを組み込んだ分子GANを導入し, デノボ分子生成の強化に強化学習を用いた。 具体的には、ジェネレータはアクターとして機能し、SMILES文字列を生成し、識別器は批評家として機能し、その品質を評価する。
  論文  参考訳（メタデータ） (2024-09-29T15:39:26Z)
• Using GNN property predictors as molecule generators [16.34646723046073]
  グラフニューラルネットワーク(GNN)は、物質や分子特性を正確に予測する強力なツールとして登場した。 本稿では、これらのニューラルネットワークの可逆性を利用して、所望の電子特性を持つ分子構造を直接生成する。
  論文  参考訳（メタデータ） (2024-06-05T13:53:47Z)
• 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)
• 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)
• MUDiff: Unified Diffusion for Complete Molecule Generation [104.7021929437504]
  本稿では,原子の特徴,2次元離散分子構造,および3次元連続分子座標を含む分子の包括的表現を生成する新しいモデルを提案する。 拡散過程を認知するための新しいグラフトランスフォーマーアーキテクチャを提案する。 我々のモデルは、安定で多様な分子を設計するための有望なアプローチであり、分子モデリングの幅広いタスクに適用できる。
  論文  参考訳（メタデータ） (2023-04-28T04:25:57Z)
• 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)
• Geometric Transformer for End-to-End Molecule Properties Prediction [92.28929858529679]
  分子特性予測のためのトランスフォーマーに基づくアーキテクチャを導入し,分子の形状を捉える。 分子幾何学の初期符号化による古典的な位置エンコーダと、学習されたゲート自己保持機構を改変する。
  論文  参考訳（メタデータ） (2021-10-26T14:14:40Z)
• Augmenting Molecular Deep Generative Models with Topological Data Analysis Representations [21.237758981760784]
  分子のトポロジカルデータ解析(TDA)表現を付加したSMILES変分自動エンコーダ(VAE)を提案する。 実験の結果, このTDA拡張により, SMILES VAEは3次元幾何学と電子特性の複雑な関係を捉えることができることがわかった。
  論文  参考訳（メタデータ） (2021-06-08T15:49:21Z)

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。