論文の概要: ChemHGNN: A Hierarchical Hypergraph Neural Network for Reaction Virtual Screening and Discovery

• arxiv url: http://arxiv.org/abs/2506.11041v1
• Date: Wed, 21 May 2025 04:58:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-22 23:32:14.505926
• Title: ChemHGNN: A Hierarchical Hypergraph Neural Network for Reaction Virtual Screening and Discovery
• Title（参考訳）: ChemHGNN: 反応仮想スクリーニングと発見のための階層型ハイパーグラフニューラルネットワーク
• Authors: Xiaobao Huang, Yihong Ma, Anjali Gurajapu, Jules Schleinitz, Zhichun Guo, Sarah E. Reisman, Nitesh V. Chawla,
• Abstract要約: ChemHGNNはハイパーグラフニューラルネットワークフレームワークで、反応ネットワーク内の高次関係をキャプチャする。 我々の研究は、反応の仮想スクリーニングと発見のためのGNNの優れた代替品としてHGNNを確立し、反応の発見を加速するための化学的に情報を得たフレームワークを提供する。
• 参考スコア（独自算出の注目度）: 19.298076697406977
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Reaction virtual screening and discovery are fundamental challenges in chemistry and materials science, where traditional graph neural networks (GNNs) struggle to model multi-reactant interactions. In this work, we propose ChemHGNN, a hypergraph neural network (HGNN) framework that effectively captures high-order relationships in reaction networks. Unlike GNNs, which require constructing complete graphs for multi-reactant reactions, ChemHGNN naturally models multi-reactant reactions through hyperedges, enabling more expressive reaction representations. To address key challenges, such as combinatorial explosion, model collapse, and chemically invalid negative samples, we introduce a reaction center-aware negative sampling strategy (RCNS) and a hierarchical embedding approach combining molecule, reaction and hypergraph level features. Experiments on the USPTO dataset demonstrate that ChemHGNN significantly outperforms HGNN and GNN baselines, particularly in large-scale settings, while maintaining interpretability and chemical plausibility. Our work establishes HGNNs as a superior alternative to GNNs for reaction virtual screening and discovery, offering a chemically informed framework for accelerating reaction discovery.
• Abstract（参考訳）: 反応の仮想スクリーニングと発見は化学と材料科学の基本的な課題であり、従来のグラフニューラルネットワーク(GNN)がマルチリアクタント相互作用のモデル化に苦労している。 本研究では,反応ネットワークにおける高次関係を効果的にキャプチャするハイパーグラフニューラルネットワーク(HGNN)フレームワークであるChemHGNNを提案する。 多反応反応のための完全なグラフの構築を必要とするGNNとは異なり、ChemHGNNは自然にハイパーエッジを通して多反応反応をモデル化し、より表現力のある反応表現を可能にする。 組み合わせ爆発, モデル崩壊, 化学的に無効な陰性試料などの重要な課題に対処するために, 反応中心認識型負のサンプリング戦略 (RCNS) と分子, 反応, ハイパーグラフレベルの特徴を組み合わせた階層的埋め込み手法を導入する。 USPTOデータセットの実験では、ChemHGNNはHGNNとGNNのベースライン、特に大規模環境では著しく優れており、解釈可能性と化学的妥当性は維持されている。 我々の研究は、反応の仮想スクリーニングと発見のためのGNNの優れた代替品としてHGNNを確立し、反応の発見を加速するための化学的に情報を得たフレームワークを提供する。

関連論文リスト

• Hybrid variable spiking graph neural networks for energy-efficient scientific machine learning [2.099922236065961]
  本稿では,そのアーキテクチャ内で可変スパイキングニューロン(VSN)を用いて疎通信を促進するハイブリッド可変スパイキンググラフニューラルネットワーク(HVS-GNN)を提案する。 VSNは、スパースなイベント駆動型計算を推進しながらも、しばしば計算力学アプリケーションで遭遇する回帰タスクでもうまく機能する。 その結果,HVS-GNNは疎通信の促進とエネルギー効率の向上を図った。
  論文  参考訳（メタデータ） (2024-12-12T15:47:17Z)
• Learning Chemical Reaction Representation with Reactant-Product Alignment [50.28123475356234]
  RAlignは、様々な有機反応関連タスクのための新しい化学反応表現学習モデルである。 反応物質と生成物との原子対応を統合することにより、反応中に起こる分子変換を識別する。 モデルが重要な機能群に集中できるように,反応中心認識型アテンション機構を導入する。
  論文  参考訳（メタデータ） (2024-11-26T17:41:44Z)
• Spiking Graph Neural Network on Riemannian Manifolds [51.15400848660023]
  グラフニューラルネットワーク(GNN)は、グラフの学習において支配的なソリューションとなっている。 既存のスパイク GNN はユークリッド空間のグラフを考慮し、構造幾何学を無視している。 マニフォールド値スパイキングGNN(MSG)を提案する。 MSGは従来のGNNよりも優れた性能とエネルギー効率を実現している。
  論文  参考訳（メタデータ） (2024-10-23T15:09:02Z)
• ReLM: Leveraging Language Models for Enhanced Chemical Reaction Prediction [26.342666819515774]
  ReLMは、言語モデル(LM)に符号化された化学知識を活用してグラフニューラルネットワーク(GNN)を支援するフレームワークである。 実験結果から,ReLMは各種化学反応データセットにおける最先端GNN法の性能向上を実証した。
  論文  参考訳（メタデータ） (2023-10-20T15:33:23Z)
• AI-driven Hypergraph Network of Organic Chemistry: Network Statistics and Applications in Reaction Classification [0.0]
  我々は、標準の反応データセットを使用してハイパーネットワークを構築し、その統計を報告する。 また、反応の等価なグラフ表現に対して各統計量を計算し、平行線を描画し、相違点を強調する。 ハイパーネットワーク表現は柔軟性があり、反応コンテキストを保持し、隠れた洞察を明らかにする。
  論文  参考訳（メタデータ） (2022-08-02T14:12:03Z)
• Rxn Hypergraph: a Hypergraph Attention Model for Chemical Reaction Representation [70.97737157902947]
  現在、化学反応を強固に表現するための普遍的で広く採用されている方法は存在しない。 ここでは、グラフに基づく分子構造の表現を利用して、ハイパーグラフアテンションニューラルネットワークアプローチを開発し、テストする。 我々はこのハイパーグラフ表現を3つの独立な化学反応データセットを用いて3つの実験で評価した。
  論文  参考訳（メタデータ） (2022-01-02T12:33:10Z)
• Self-Improved Retrosynthetic Planning [66.5397931294144]
  再合成計画(Retrosynthetic Planning)は、標的分子を合成する反応の経路を見つけるための化学の基本的な問題である。 最近の検索アルゴリズムは、ディープニューラルネットワーク(DNN)を用いてこの問題を解決するための有望な結果を示している。 そこで本研究では,DNNを直接訓練し,望ましい特性を持つ反応経路を生成するためのエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-09T08:03:57Z)
• Novel DNNs for Stiff ODEs with Applications to Chemically Reacting Flows [0.0]
  化学反応する流れは、超音速流、燃焼、爆発、製造プロセス、環境評価などの工学において一般的である。 燃焼のために、反応の数は(100を超える)有意であり、非常に大きなCPU要件のために、大量のフローと燃焼問題は、現在、最大のスーパーコンピュータの能力を超えています。 このことに動機づけられて、DNN(Deep Neural Networks)が近似剛性ODEに導入される。
  論文  参考訳（メタデータ） (2021-04-01T22:54:22Z)
• Graph Neural Networks for the Prediction of Substrate-Specific Organic Reaction Conditions [79.45090959869124]
  有機化学反応をモデル化するために,グラフニューラルネットワーク(GNN)を用いた系統的研究を行った。 実験試薬と条件の識別に関わる分類タスクに対して、7つの異なるGNNアーキテクチャを評価した。
  論文  参考訳（メタデータ） (2020-07-08T17:21:00Z)

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。