論文の概要: Recent Developments in GNNs for Drug Discovery

• arxiv url: http://arxiv.org/abs/2506.01302v1
• Date: Mon, 02 Jun 2025 04:24:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-05 01:42:09.272356
• Title: Recent Developments in GNNs for Drug Discovery
• Title（参考訳）: 薬物発見のためのGNNの最近の進歩
• Authors: Zhengyu Fang, Xiaoge Zhang, Anyin Zhao, Xiao Li, Huiyuan Chen, Jing Li,
• Abstract要約: 計算薬物発見におけるグラフニューラルネットワーク(GNN)の最近の展開と役割を概観する。 この領域の最近の展開を要約することで、GNNが複雑な分子パターンを理解する能力を強調します。 本稿は、この重要な研究領域における、簡単な議論と共通する傾向をまとめてまとめてまとめる。
• 参考スコア（独自算出の注目度）: 12.589902420928789
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we review recent developments and the role of Graph Neural Networks (GNNs) in computational drug discovery, including molecule generation, molecular property prediction, and drug-drug interaction prediction. By summarizing the most recent developments in this area, we underscore the capabilities of GNNs to comprehend intricate molecular patterns, while exploring both their current and prospective applications. We initiate our discussion by examining various molecular representations, followed by detailed discussions and categorization of existing GNN models based on their input types and downstream application tasks. We also collect a list of commonly used benchmark datasets for a variety of applications. We conclude the paper with brief discussions and summarize common trends in this important research area.
• Abstract（参考訳）: 本稿では,分子生成,分子特性予測,薬物と薬物の相互作用予測など,計算薬物発見におけるグラフニューラルネットワーク(GNN)の最近の発展と役割について概説する。 この領域の最近の展開を要約することにより、GNNが複雑な分子パターンを理解する能力と、その現在の応用と将来的な応用の両方を探求する能力を強調します。 様々な分子的表現について検討し、入力型と下流アプリケーションタスクに基づいて既存のGNNモデルの詳細な議論と分類を行う。 また、さまざまなアプリケーションでよく使われるベンチマークデータセットのリストも収集します。 本稿は、この重要な研究領域における、簡単な議論と共通する傾向をまとめてまとめてまとめる。

関連論文リスト

• Graph ODEs and Beyond: A Comprehensive Survey on Integrating Differential Equations with Graph Neural Networks [32.422289591028935]
  グラフニューラルネットワーク(GNN)と微分方程式(DE)は、近年顕著な相乗効果を示す研究分野として急速に進歩している。 既存の手法を分類し、その基礎となる原則を議論し、分子モデリング、交通予測、流行拡散といった分野にまたがる応用を強調します。
  論文  参考訳（メタデータ） (2025-03-29T17:49:34Z)
• Diffusion Models for Molecules: A Survey of Methods and Tasks [56.44565051667812]
  分子に関する生成タスクは、薬物の発見と材料設計に不可欠である。 拡散モデルは、深い生成モデルの印象的なクラスとして現れている。 本稿では拡散モデルに基づく分子生成法について包括的に調査する。
  論文  参考訳（メタデータ） (2025-02-13T17:22:50Z)
• From Continuous Dynamics to Graph Neural Networks: Neural Diffusion and Beyond [32.290102818872526]
  グラフニューラルネットワーク(GNN)は、データモデリングにおいて大きな可能性を示しており、様々な分野で広く応用されている。 我々は,GNNの継続的な視点を活用した,最初の体系的かつ包括的な研究のレビューを行う。
  論文  参考訳（メタデータ） (2023-10-16T06:57:24Z)
• A Survey on Graph Neural Networks for Time Series: Forecasting, Classification, Imputation, and Anomaly Detection [98.41798478488101]
  時系列分析は、利用可能なデータに暗黙的な情報の富を解放するために不可欠である。 グラフニューラルネットワーク(GNN)の最近の進歩は、時系列解析のためのGNNベースのアプローチの急増につながっている。 この調査は、GNNベースの時系列研究に関する膨大な知識をまとめ、基礎、実践的応用、時系列分析のためのグラフニューラルネットワークの機会を強調します。
  論文  参考訳（メタデータ） (2023-07-07T08:05:03Z)
• 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)
• 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)
• Multi-View Graph Neural Networks for Molecular Property Prediction [67.54644592806876]
  マルチビューグラフニューラルネットワーク(MV-GNN)を提案する。 MV-GNNでは,学習過程を安定させるために,自己注意型読み出しコンポーネントと不一致損失を導入する。 我々は、相互依存型メッセージパッシング方式を提案することにより、MV-GNNの表現力をさらに強化する。
  論文  参考訳（メタデータ） (2020-05-17T04:46:07Z)

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。