論文の概要: Graph Neural Networks in Modern AI-aided Drug Discovery

• arxiv url: http://arxiv.org/abs/2506.06915v1
• Date: Sat, 07 Jun 2025 20:29:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 16:33:10.563381
• Title: Graph Neural Networks in Modern AI-aided Drug Discovery
• Title（参考訳）: 最新のAI支援薬物発見におけるグラフニューラルネットワーク
• Authors: Odin Zhang, Haitao Lin, Xujun Zhang, Xiaorui Wang, Zhenxing Wu, Qing Ye, Weibo Zhao, Jike Wang, Kejun Ying, Yu Kang, Chang-yu Hsieh, Tingjun Hou,
• Abstract要約: AI助薬発見のための強力なツールとして、グラフニューラルネットワーク(GNN)が登場した GNNは、薬物様分子の複雑な位相的および幾何学的特徴を学ぶための直感的で表現力豊かなフレームワークを提供する。 本総説では薬物発見におけるGNNの方法論的基礎と代表的応用について概説する。
• 参考スコア（独自算出の注目度）: 16.25759507753197
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Graph neural networks (GNNs), as topology/structure-aware models within deep learning, have emerged as powerful tools for AI-aided drug discovery (AIDD). By directly operating on molecular graphs, GNNs offer an intuitive and expressive framework for learning the complex topological and geometric features of drug-like molecules, cementing their role in modern molecular modeling. This review provides a comprehensive overview of the methodological foundations and representative applications of GNNs in drug discovery, spanning tasks such as molecular property prediction, virtual screening, molecular generation, biomedical knowledge graph construction, and synthesis planning. Particular attention is given to recent methodological advances, including geometric GNNs, interpretable models, uncertainty quantification, scalable graph architectures, and graph generative frameworks. We also discuss how these models integrate with modern deep learning approaches, such as self-supervised learning, multi-task learning, meta-learning and pre-training. Throughout this review, we highlight the practical challenges and methodological bottlenecks encountered when applying GNNs to real-world drug discovery pipelines, and conclude with a discussion on future directions.
• Abstract（参考訳）: 深層学習におけるトポロジ/構造認識モデルとしてのグラフニューラルネットワーク(GNN)は、AI助薬発見(AIDD)のための強力なツールとして登場した。 分子グラフを直接操作することで、GNNは、薬物のような分子の複雑な位相的および幾何学的特徴を学ぶための直感的で表現力のあるフレームワークを提供し、現代の分子モデリングにおけるそれらの役割を固める。 本総説では, 薬物発見, 分子特性予測, 仮想スクリーニング, 分子生成, バイオメディカル知識グラフ構築, 合成計画などの課題におけるGNNの方法論的基礎と代表的応用について概説する。 幾何学的GNN、解釈可能なモデル、不確実性定量化、スケーラブルグラフアーキテクチャ、グラフ生成フレームワークなど、最近の方法論的進歩に特に注意が払われている。 また,これらのモデルが,自己教師付き学習,マルチタスク学習,メタ学習,事前学習といった,現代のディープラーニングアプローチとどのように統合されているかについても論じる。 本稿では,現実の薬物発見パイプラインにGNNを適用する際に発生する実践的課題と方法論的ボトルネックを概説し,今後の方向性について議論する。

関連論文リスト

• Graph Foundation Models: Concepts, Opportunities and Challenges [66.37994863159861]
  ファンデーションモデルは、さまざまな人工知能アプリケーションにおいて重要なコンポーネントとして現れてきた。 一般化と適応における基礎モデルの能力は、グラフ機械学習研究者を動機付け、新しいグラフ学習パラダイムを開発する可能性について議論する。 本稿では,グラフ基礎モデル(GFM)の概念を紹介し,その重要な特徴と基礎技術について概説する。
  論文  参考訳（メタデータ） (2023-10-18T09:31:21Z)
• Geometric Knowledge Distillation: Topology Compression for Graph Neural Networks [80.8446673089281]
  グラフトポロジ情報をグラフニューラルネットワーク(GNN)に符号化することを目的とした知識伝達の新しいパラダイムについて検討する。 本稿では,GNNのアーキテクチャに関する基礎となる多様体の幾何学的性質をカプセル化するためのニューラルヒートカーネル(NHK)を提案する。 基本的な原理的解法は、NHKを幾何学的知識蒸留(Geometric Knowledge Distillation)と呼ばれる教師モデルと学生モデルに合わせることで導かれる。
  論文  参考訳（メタデータ） (2022-10-24T08:01:58Z)
• Graph Neural Networks for Molecules [9.04563945965023]
  本稿では、GNNとその様々な有機分子への応用について紹介する。 GNNは、ノード機能を反復的に更新するために、汎用的で強力なフレームワークであるメッセージパッシング操作に依存している。
  論文  参考訳（メタデータ） (2022-09-12T20:10:07Z)
• 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)
• Molecular Graph Generation via Geometric Scattering [7.796917261490019]
  グラフニューラルネットワーク(GNN)は、薬物の設計と発見の問題を解決するために広く使われている。 分子グラフ生成における表現第一のアプローチを提案する。 我々のアーキテクチャは、医薬品のデータセットの有意義な表現を学習し、目標指向の薬物合成のためのプラットフォームを提供する。
  論文  参考訳（メタデータ） (2021-10-12T18:00:23Z)
• Quantitative Evaluation of Explainable Graph Neural Networks for Molecular Property Prediction [2.8544822698499255]
  グラフニューラルネットワーク(GNN)は、解釈可能性の欠如により、薬物発見において限定的に受け入れられている。 本研究では,最新のGNNモデルの解釈可能性を定量的に評価するために,3段階のベンチマークデータセットを構築した。 我々は,最近のXAI手法と異なるGNNアルゴリズムを組み合わせることで,薬物発見のメリット,限界,今後の可能性を明らかにする。
  論文  参考訳（メタデータ） (2021-07-01T04:49:29Z)
• 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。