Fugu-MT 論文翻訳(概要): Learning Hierarchical Interaction for Accurate Molecular Property Prediction

論文の概要: Learning Hierarchical Interaction for Accurate Molecular Property Prediction

arxiv url: http://arxiv.org/abs/2504.20127v2
Date: Wed, 30 Apr 2025 07:57:16 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-02 19:15:54.615072
Title: Learning Hierarchical Interaction for Accurate Molecular Property Prediction
Title（参考訳）: 正確な分子特性予測のための階層的相互作用の学習
Authors: Huiyang Hong, Xinkai Wu, Hongyu Sun, Chaoyang Xie, Qi Wang, Yuquan Li,
Abstract要約: 本稿では,新しいモデルであるHimNetの基礎となる階層的インタラクションメッセージパッシング機構を提案する。本手法は,原子,モチーフ,分子レベルでの対話型表現学習を階層的注意誘導メッセージパッシングによって実現する。本手法は, 分子の化学的直観とよく一致し, 有望な階層的解釈性を示す。
参考スコア（独自算出の注目度）: 8.488251667425887
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Discovering molecules with desirable molecular properties, including ADMET (Absorption, Distribution, Metabolism, Excretion, and Toxicity) profiles, is of great importance in drug discovery. Existing approaches typically employ deep learning models, such as Graph Neural Networks (GNNs) and Transformers, to predict these molecular properties by learning from diverse chemical information. However, these models often fail to efficiently capture and utilize the hierarchical nature of molecular structures, and lack mechanisms for effective interaction among multi-level features. To address these limitations, we propose a Hierarchical Interaction Message Passing Mechanism, which serves as the foundation of our novel model, HimNet. Our method enables interaction-aware representation learning across atomic, motif, and molecular levels via hierarchical attention-guided message passing. This design allows HimNet to effectively balance global and local information, ensuring rich and task-relevant feature extraction for downstream property prediction tasks, such as Blood-Brain Barrier Permeability (BBBP). Extensive experiments on multiple benchmark datasets demonstrate that HimNet achieves the best or near-best performance in most molecular property prediction tasks. Furthermore, our method exhibits promising hierarchical interpretability, aligning well with chemical intuition on representative molecules. We believe that HimNet offers an accurate and efficient solution for molecular activity and ADMET property prediction, contributing significantly to advanced decision-making in the early stages of drug discovery.
Abstract（参考訳）: ADMET (Absorption, Distribution, Metabolism, Excretion, Toxicity) プロファイルを含む望ましい分子特性を持つ分子の発見は、薬物発見において非常に重要である。既存のアプローチでは、様々な化学情報から学習することで、これらの分子特性を予測するために、グラフニューラルネットワーク(GNN)やトランスフォーマーのようなディープラーニングモデルが一般的である。しかし、これらのモデルはしばしば分子構造の階層的な性質を効果的に捉え、利用することができず、多層構造間の効果的な相互作用のメカニズムが欠如している。これらの制約に対処するため、我々は階層的対話メッセージパッシング機構を提案し、これは我々の新しいモデルであるHimNetの基礎となる。本手法は,原子,モチーフ,分子レベルでの対話型表現学習を階層的注意誘導メッセージパッシングによって実現する。この設計により、HimNetはグローバルとローカルの情報を効果的にバランスさせ、Blood-Brain Barrier Permeability (BBBP)のような下流プロパティ予測タスクに対して、リッチでタスク関連の機能抽出を保証する。複数のベンチマークデータセットに対する大規模な実験は、ほとんどの分子特性予測タスクにおいて、HimNetが最高または最良に近い性能を達成することを示した。さらに,本手法は,分子の化学的直観とよく一致した,有望な階層的解釈性を示す。我々は,HimNetが分子活性およびADMET特性予測の正確かつ効率的なソリューションを提供し,医薬品発見の初期段階における高度な意思決定に大きく貢献すると考えている。

関連論文リスト

FARM: Functional Group-Aware Representations for Small Molecules [55.281754551202326]
小型分子のための機能的グループ認識表現(FARM)について紹介する。 FARMはSMILES、自然言語、分子グラフのギャップを埋めるために設計された基礎モデルである。 MoleculeNetデータセット上でFARMを厳格に評価し、12タスク中10タスクで最先端のパフォーマンスを実現しています。
論文参考訳（メタデータ） (2024-10-02T23:04:58Z)
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)
Contrastive Dual-Interaction Graph Neural Network for Molecular Property Prediction [0.0]
本稿では,分子特性予測のための自己教師付きグラフニューラルネットワークフレームワークであるDIG-Molを紹介する。 DIG-Molは2つの相互接続ネットワークと運動量蒸留ネットワークを統合し、分子特性を効率的に改善する。我々は,様々な分子特性予測タスクにおける広範囲な実験的評価により,DIG-Molの最先端性能を確立した。
論文参考訳（メタデータ） (2024-05-04T10:09:27Z)
Active Causal Learning for Decoding Chemical Complexities with Targeted Interventions [0.0]
そこで本研究では,戦略的サンプリングを通じて原因・影響関係を識別する能動的学習手法を提案する。この方法は、より大きな化学空間の最も多くの情報を符号化できるデータセットの最小サブセットを特定する。その後、同定された因果関係を利用して体系的な介入を行い、モデルがこれまで遭遇していなかった化学空間における設計タスクを最適化する。
論文参考訳（メタデータ） (2024-04-05T17:15:48Z)
MultiModal-Learning for Predicting Molecular Properties: A Framework Based on Image and Graph Structures [2.5563339057415218]
MolIGは、画像とグラフ構造に基づいて分子特性を予測するための、新しいMultiModaL分子事前学習フレームワークである。両者の分子表現の強さを融合させる。ベンチマークグループ内の分子特性予測に関連する下流タスクでは、パフォーマンスが向上する。
論文参考訳（メタデータ） (2023-11-28T10:28:35Z)
Atomic and Subgraph-aware Bilateral Aggregation for Molecular Representation Learning [57.670845619155195]
我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。 ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
論文参考訳（メタデータ） (2023-05-22T00:56:00Z)
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)
Graph neural networks for the prediction of molecular structure-property relationships [59.11160990637615]
グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。 GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
論文参考訳（メタデータ） (2022-07-25T11:30:44Z)
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)
Few-Shot Graph Learning for Molecular Property Prediction [46.60746023179724]
分子特性予測の新しいモデルであるMeta-MGNNを提案する。ラベルのない分子情報を利用するため、Meta-MGNNはさらに分子構造、属性ベースの自己監視モジュール、および自己注意のタスクウェイトを組み込む。 2つの公開マルチプロパティデータセットに関する広範な実験は、Meta-MGNNがさまざまな最先端のメソッドを上回っていることを示しています。
論文参考訳（メタデータ） (2021-02-16T01:55:34Z)

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。