論文の概要: Foundation Molecular Grammar: Multi-Modal Foundation Models Induce Interpretable Molecular Graph Languages

• arxiv url: http://arxiv.org/abs/2505.22948v1
• Date: Thu, 29 May 2025 00:03:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:07.591323
• Title: Foundation Molecular Grammar: Multi-Modal Foundation Models Induce Interpretable Molecular Graph Languages
• Title（参考訳）: 基礎分子文法:多モード基礎モデルによる解釈可能な分子グラフ言語
• Authors: Michael Sun, Weize Yuan, Gang Liu, Wojciech Matusik, Jie Chen,
• Abstract要約: 本稿では,MMFM(Multi-modal foundation model)を活用し,解釈可能な分子言語を誘導するFoundation Molecular Grammarを提案する。 MMFMの化学知識を活用して、分子を画像として描画し、それらをテキストとして記述し、迅速な学習を用いて情報をモダリティにわたって整列させる。
• 参考スコア（独自算出の注目度）: 20.579076532082684
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent data-efficient molecular generation approaches exploit graph grammars to introduce interpretability into the generative models. However, grammar learning therein relies on expert annotation or unreliable heuristics for algorithmic inference. We propose Foundation Molecular Grammar (FMG), which leverages multi-modal foundation models (MMFMs) to induce an interpretable molecular language. By exploiting the chemical knowledge of an MMFM, FMG renders molecules as images, describes them as text, and aligns information across modalities using prompt learning. FMG can be used as a drop-in replacement for the prior grammar learning approaches in molecular generation and property prediction. We show that FMG not only excels in synthesizability, diversity, and data efficiency but also offers built-in chemical interpretability for automated molecular discovery workflows. Code is available at https://github.com/shiningsunnyday/induction.
• Abstract（参考訳）: データ効率のよい分子生成手法は、生成モデルに解釈可能性を導入するためにグラフ文法を利用する。 しかし、文法学習はアルゴリズム推論のエキスパートアノテーションや信頼できないヒューリスティックに頼っている。 本稿では,多モード基礎モデル(MMFM)を活用して解釈可能な分子言語を誘導する基礎分子文法(FMG)を提案する。 MMFMの化学知識を活用することで、FMGは分子を画像として描画し、それらをテキストとして記述し、迅速な学習を用いて情報をモダリティにわたって整列させる。 FMGは、分子生成と特性予測において、事前の文法学習アプローチの代替として使用できる。 我々は、FMGが合成性、多様性、データ効率に優れるだけでなく、自動分子発見ワークフローのための化学解釈性も備えていることを示した。 コードはhttps://github.com/shiningsunnyday/induction.comで入手できる。

関連論文リスト

• Pre-trained Molecular Language Models with Random Functional Group Masking [54.900360309677794]
  SMILESをベースとしたアンダーリネム分子アンダーリネム言語アンダーリネムモデルを提案し,特定の分子原子に対応するSMILESサブシーケンスをランダムにマスキングする。 この技術は、モデルに分子構造や特性をよりよく推測させ、予測能力を高めることを目的としている。
  論文  参考訳（メタデータ） (2024-11-03T01:56:15Z)
• Chemical Language Model Linker: blending text and molecules with modular adapters [2.2667044928324747]
  我々は、ChemLML(ChemLML)という、軽量なアダプタベースの戦略を提案する。 ChemLMLは2つの単一ドメインモデルをブレンドし、テキスト記述から条件付き分子生成を得る。 SMILESとSELFIESのChemLMLにおける分子表現の選択は,条件付き分子生成性能に強い影響を及ぼすことがわかった。
  論文  参考訳（メタデータ） (2024-10-26T13:40:13Z)
• 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)
• Instruction Multi-Constraint Molecular Generation Using a Teacher-Student Large Language Model [49.64512917330373]
  本稿では,学生に類似した多制約分子生成大言語モデルTSMMGを紹介する。 TSMMGを訓練するために、これらの「教師」から分子知識を抽出し、大量のテキスト-分子対を構築する。 我々は,TSMMGが複雑で自然言語で記述された特性を満たす分子を生成できることを実験的に明らかにした。
  論文  参考訳（メタデータ） (2024-03-20T02:15:55Z)
• GIT-Mol: A Multi-modal Large Language Model for Molecular Science with Graph, Image, and Text [25.979382232281786]
  グラフ,画像,テキスト情報を統合したマルチモーダルな大規模言語モデルであるGIT-Molを紹介する。 特性予測の精度は5%-10%向上し、分子生成の妥当性は20.2%向上した。
  論文  参考訳（メタデータ） (2023-08-14T03:12:29Z)
• Probabilistic Generative Transformer Language models for Generative Design of Molecules [10.412989388092084]
  Generative Molecular Transformer (GMTransformer) は、分子の生成設計のための確率論的ニューラルネットワークモデルである。 本モデルはもともとテキスト処理のために開発された空白充填言語モデルに基づいて構築されている。 我々のモデルは、他のベースラインと比較して、高い斬新さと難解さを達成します。
  論文  参考訳（メタデータ） (2022-09-20T01:51:57Z)
• A Molecular Multimodal Foundation Model Associating Molecule Graphs with Natural Language [63.60376252491507]
  本稿では,分子グラフとその意味的関連テキストデータから事前学習した分子マルチモーダル基礎モデルを提案する。 我々のモデルは、生物学、化学、材料、環境、医学などの分野において、AIを動力とする分野に幅広い影響を与えるだろうと考えています。
  論文  参考訳（メタデータ） (2022-09-12T00:56:57Z)
• Reinforced Molecular Optimization with Neighborhood-Controlled Grammars [63.84003497770347]
  分子最適化のためのグラフ畳み込みポリシネットワークであるMNCE-RLを提案する。 我々は、元の近傍制御された埋め込み文法を拡張して、分子グラフ生成に適用する。 提案手法は, 分子最適化タスクの多種多様さにおいて, 最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-11-14T05:42:15Z)

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。