論文の概要: AdaptMol: Adaptive Fusion from Sequence String to Topological Structure for Few-shot Drug Discovery

• arxiv url: http://arxiv.org/abs/2505.11878v1
• Date: Sat, 17 May 2025 07:12:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:10.910122
• Title: AdaptMol: Adaptive Fusion from Sequence String to Topological Structure for Few-shot Drug Discovery
• Title（参考訳）: AdaptMol: シーケンス文字列からトポロジカル構造への適応融合による創薬
• Authors: Yifan Dai, Xuanbai Ren, Tengfei Ma, Qipeng Yan, Yiping Liu, Yuansheng Liu, Xiangxiang Zeng,
• Abstract要約: 本稿では,Adaptive Multimodal fusion for representationを組み込んだプロトタイプネットワークであるAdaptMolを提案する。 このフレームワークは、グローバルおよび局所的な分子的特徴を動的に統合するための二重レベルアテンション機構を用いる。 5ショットと10ショット設定で一般的に使用される3つのベンチマークの実験は、AdaptMolが最先端のパフォーマンスを達成することを示す。
• 参考スコア（独自算出の注目度）: 7.338199946027998
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate molecular property prediction (MPP) is a critical step in modern drug development. However, the scarcity of experimental validation data poses a significant challenge to AI-driven research paradigms. Under few-shot learning scenarios, the quality of molecular representations directly dictates the theoretical upper limit of model performance. We present AdaptMol, a prototypical network integrating Adaptive multimodal fusion for Molecular representation. This framework employs a dual-level attention mechanism to dynamically integrate global and local molecular features derived from two modalities: SMILES sequences and molecular graphs. (1) At the local level, structural features such as atomic interactions and substructures are extracted from molecular graphs, emphasizing fine-grained topological information; (2) At the global level, the SMILES sequence provides a holistic representation of the molecule. To validate the necessity of multimodal adaptive fusion, we propose an interpretable approach based on identifying molecular active substructures to demonstrate that multimodal adaptive fusion can efficiently represent molecules. Extensive experiments on three commonly used benchmarks under 5-shot and 10-shot settings demonstrate that AdaptMol achieves state-of-the-art performance in most cases. The rationale-extracted method guides the fusion of two modalities and highlights the importance of both modalities.
• Abstract（参考訳）: 正確な分子特性予測(MPP)は、現代薬物開発における重要なステップである。 しかし、実験的な検証データの不足は、AI駆動の研究パラダイムに重大な課題をもたらす。 数ショットの学習シナリオでは、分子表現の品質がモデル性能の理論的上限を直接決定する。 本稿では,Adaptive Multimodal fusion を分子表現に組み込んだプロトタイプネットワークであるAdaptMolを提案する。 このフレームワークは、SMILES配列と分子グラフという2つのモードから導かれるグローバルおよび局所的な分子特徴を動的に統合するために、二重レベルアテンション機構を用いる。 1) 局所レベルでは, 分子グラフから原子間相互作用やサブ構造などの構造的特徴を抽出し, 微細なトポロジー情報を強調する。 分子活性構造を同定し,多モード適応核融合が効率的に分子を表現できることを実証するために,多モード適応核融合の必要性を検証するための解釈可能な手法を提案する。 5ショットと10ショット設定で一般的に使用される3つのベンチマークに関する大規模な実験は、ほとんどのケースでAdaptMolが最先端のパフォーマンスを達成することを示す。 有理抽出法は2つのモダリティの融合を導き、両方のモダリティの重要性を強調する。

関連論文リスト

• Multi-Modal Molecular Representation Learning via Structure Awareness [19.813872931221546]
  構造認識に基づくマルチモーダル自己制御分子表現事前学習フレームワーク(MMSA)を提案する。 MMSAは分子間の不変知識を活用することにより、分子グラフ表現を強化する。 MoleculeNetベンチマークで最先端のパフォーマンスを実現しており、平均的なROC-AUC改善はベースラインメソッドよりも1.8%から9.6%まで改善されている。
  論文  参考訳（メタデータ） (2025-05-09T08:37:29Z)
• 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)
• MolTC: Towards Molecular Relational Modeling In Language Models [28.960416816491392]
  分子間相互作用予測のための新しい枠組みとして,分子間相互作用予測法(分子間相互作用予測法)を提案する。 我々の実験は4000,000以上の分子対を含む様々なデータセットで実施され、現在のGNNおよびLLMベースラインよりも優れていることを示した。
  論文  参考訳（メタデータ） (2024-02-06T07:51:56Z)
• Integrating Chemical Language and Molecular Graph in Multimodal Fused Deep Learning for Drug Property Prediction [9.388979080270103]
  分子表現の異なる多モード深層学習モデルを構築した。 モノモーダルモデルと比較すると,マルチモーダルフューズドディープラーニング(MMFDL)モデルは単一モデルよりも精度,信頼性,耐雑音性に優れている。
  論文  参考訳（メタデータ） (2023-12-29T07:19:42Z)
• 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)
• Learning Neural Generative Dynamics for Molecular Conformation Generation [89.03173504444415]
  分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。 分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-02-20T03:17:58Z)

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。