論文の概要: Multi-Hierarchical Fine-Grained Feature Mapping Driven by Feature Contribution for Molecular Odor Prediction

• arxiv url: http://arxiv.org/abs/2505.00290v1
• Date: Thu, 01 May 2025 04:26:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:55.219859
• Title: Multi-Hierarchical Fine-Grained Feature Mapping Driven by Feature Contribution for Molecular Odor Prediction
• Title（参考訳）: 分子オーダ予測のための特徴寄与による多階層的微粒化特徴マッピング
• Authors: Hong Xin Xie, Jian De Sun, Fan Fu Xue, Zi Fei Han, Shan Shan Feng, Qi Chen,
• Abstract要約: 本稿では,匂い予測問題に対処する特徴貢献型階層型多機能マッピングネットワーク(HMFNet)を提案する。 具体的には,局所的多階層特徴抽出モジュール (LMFE) を導入し,原子レベルでの深い特徴抽出を行う。 識別的原子の特徴の抽出を強化するため,高調波変調特徴マッピング(HMFM)を統合する。 このモジュールは機能の重要性と周波数変調を動的に学習し、関連するパターンをキャプチャするモデルの能力を改善する。
• 参考スコア（独自算出の注目度）: 11.166312121573277
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Molecular odor prediction is the process of using a molecule's structure to predict its smell. While accurate prediction remains challenging, AI models can suggest potential odors. Existing methods, however, often rely on basic descriptors or handcrafted fingerprints, which lack expressive power and hinder effective learning. Furthermore, these methods suffer from severe class imbalance, limiting the training effectiveness of AI models. To address these challenges, we propose a Feature Contribution-driven Hierarchical Multi-Feature Mapping Network (HMFNet). Specifically, we introduce a fine-grained, Local Multi-Hierarchy Feature Extraction module (LMFE) that performs deep feature extraction at the atomic level, capturing detailed features crucial for odor prediction. To enhance the extraction of discriminative atomic features, we integrate a Harmonic Modulated Feature Mapping (HMFM). This module dynamically learns feature importance and frequency modulation, improving the model's capability to capture relevant patterns. Additionally, a Global Multi-Hierarchy Feature Extraction module (GMFE) is designed to learn global features from the molecular graph topology, enabling the model to fully leverage global information and enhance its discriminative power for odor prediction. To further mitigate the issue of class imbalance, we propose a Chemically-Informed Loss (CIL). Experimental results demonstrate that our approach significantly improves performance across various deep learning models, highlighting its potential to advance molecular structure representation and accelerate the development of AI-driven technologies.
• Abstract（参考訳）: 分子臭予測は、分子の構造を用いてその匂いを予測する過程である。 正確な予測は依然として難しいが、AIモデルは潜在的な臭いを示唆することができる。 しかし、既存の方法はしばしば、表現力に欠け、効果的な学習を妨げる、基本的な記述子や手作りの指紋に依存している。 さらに、これらの手法は、AIモデルのトレーニング効率を制限し、厳しいクラス不均衡に苦しむ。 これらの課題に対処するため,HMFNet(Feature Contribution-driven Hierarchical Multi-Feature Mapping Network)を提案する。 具体的には,微粒な局所多階層特徴抽出モジュール(LMFE)を導入し,原子レベルでの深い特徴抽出を行い,匂いの予測に不可欠な詳細な特徴を抽出する。 識別的原子的特徴の抽出を強化するため,高調波変調特徴マッピング(HMFM)を統合した。 このモジュールは機能の重要性と周波数変調を動的に学習し、関連するパターンをキャプチャするモデルの能力を改善する。 さらに、GMFE(Global Multi-Hierarchy Feature extract Module)は、分子グラフトポロジーからグローバルな特徴を学習し、グローバルな情報を完全に活用し、匂い予測のための識別力を高めるように設計されている。 クラス不均衡の問題をさらに緩和するために,CIL(Chemically-Informed Loss)を提案する。 実験の結果,本手法は様々な深層学習モデルにおける性能を著しく向上させ,分子構造表現の進歩とAI駆動技術の発展を加速させる可能性を強調した。

関連論文リスト

• Learning Hierarchical Interaction for Accurate Molecular Property Prediction [8.488251667425887]
  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。
  論文  参考訳（メタデータ） (2025-04-28T15:19:28Z)
• UniGenX: Unified Generation of Sequence and Structure with Autoregressive Diffusion [61.690978792873196]
  既存のアプローチは自己回帰シーケンスモデルか拡散モデルのいずれかに依存している。 自己回帰的次トーケン予測と条件拡散モデルを組み合わせた統合フレームワークUniGenXを提案する。 材料および小分子生成タスクにおけるUniGenXの有効性を検証する。
  論文  参考訳（メタデータ） (2025-03-09T16:43:07Z)
• DiffMS: Diffusion Generation of Molecules Conditioned on Mass Spectra [60.39311767532607]
  DiffMSは式制限エンコーダ-デコーダ生成ネットワークである。 我々は、潜伏埋め込みと分子構造を橋渡しする頑健なデコーダを開発する。 実験の結果、DiffMS は $textitde novo$ 分子生成で既存のモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-13T18:29:48Z)
• Molecular Odor Prediction with Harmonic Modulated Feature Mapping and Chemically-Informed Loss [11.654144823736143]
  本稿では,新しい特徴マッピング法と分子アンサンブル最適化損失関数を提案する。 本手法は,様々な深層学習モデルにおいて,分子臭予測の精度を著しく向上させることができる。
  論文  参考訳（メタデータ） (2025-02-03T12:17:51Z)
• 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)
• Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [68.32093648671496]
  分子に固有の二重レベル構造を考慮に入れたGODEを導入する。 分子は固有のグラフ構造を持ち、より広い分子知識グラフ内のノードとして機能する。 異なるグラフ構造上の2つのGNNを事前学習することにより、GODEは対応する知識グラフサブ構造と分子構造を効果的に融合させる。
  論文  参考訳（メタデータ） (2023-06-02T15:49:45Z)
• 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)
• MolCPT: Molecule Continuous Prompt Tuning to Generalize Molecular Representation Learning [77.31492888819935]
  分子表現学習のための「プリトレイン,プロンプト,ファインチューン」という新しいパラダイム,分子連続プロンプトチューニング(MolCPT)を提案する。 MolCPTは、事前訓練されたモデルを使用して、スタンドアロンの入力を表現的なプロンプトに投影するモチーフプロンプト関数を定義する。 いくつかのベンチマークデータセットの実験により、MollCPTは分子特性予測のために学習済みのGNNを効率的に一般化することが示された。
  論文  参考訳（メタデータ） (2022-12-20T19:32:30Z)
• HiGNN: Hierarchical Informative Graph Neural Networks for Molecular Property Prediction Equipped with Feature-Wise Attention [5.735627221409312]
  分子特性を予測するための階層型情報グラフニューラルネットワークフレームワーク(HiGNN)を提案する。 実験により、HiGNNは、多くの挑戦的な薬物発見関連ベンチマークデータセットに対して最先端の予測性能を達成することが示された。
  論文  参考訳（メタデータ） (2022-08-30T05:16:15Z)
• 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。