論文の概要: Combining Graph Neural Networks and Mixed Integer Linear Programming for Molecular Inference under the Two-Layered Model

• arxiv url: http://arxiv.org/abs/2507.03920v1
• Date: Sat, 05 Jul 2025 06:57:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:34.936754
• Title: Combining Graph Neural Networks and Mixed Integer Linear Programming for Molecular Inference under the Two-Layered Model
• Title（参考訳）: 2層モデルに基づく分子推論のためのグラフニューラルネットワークと混合整数線形計画法の組み合わせ
• Authors: Jianshen Zhu, Naveed Ahmed Azam, Kazuya Haraguchi, Liang Zhao, Tatsuya Akutsu,
• Abstract要約: 我々は、GNNを学習手法として利用するmol-infer-GNN(mol-infer-GNN)に基づく分子推論フレームワークを開発する。 提案したGNNモデルでは,単純な構造であるにもかかわらず,いくつかの特性に対して満足度の高い学習性能が得られる。
• 参考スコア（独自算出の注目度）: 6.107266553770076
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recently, a novel two-phase framework named mol-infer for inference of chemical compounds with prescribed abstract structures and desired property values has been proposed. The framework mol-infer is primarily based on using mixed integer linear programming (MILP) to simulate the computational process of machine learning methods and describe the necessary and sufficient conditions to ensure such a chemical graph exists. The existing approaches usually first convert the chemical compounds into handcrafted feature vectors to construct prediction functions, but because of the limit on the kinds of descriptors originated from the need for tractability in the MILP formulation, the learning performances on datasets of some properties are not good enough. A lack of good learning performance can greatly lower the quality of the inferred chemical graphs, and thus improving learning performance is of great importance. On the other hand, graph neural networks (GNN) offer a promising machine learning method to directly utilize the chemical graphs as the input, and many existing GNN-based approaches to the molecular property prediction problem have shown that they can enjoy better learning performances compared to the traditional approaches that are based on feature vectors. In this study, we develop a molecular inference framework based on mol-infer, namely mol-infer-GNN, that utilizes GNN as the learning method while keeping the great flexibility originated from the two-layered model on the abstract structure of the chemical graph to be inferred. We conducted computational experiments on the QM9 dataset to show that our proposed GNN model can obtain satisfying learning performances for some properties despite its simple structure, and can infer small chemical graphs comprising up to 20 non-hydrogen atoms within reasonable computational time.
• Abstract（参考訳）: 近年, 所定の抽象構造と所望の物性値を持つ化合物を推定するために, mol-infer という新しい二相構造が提案されている。 mol-inferフレームワークは、主に混合整数線形プログラミング(MILP)を用いて機械学習手法の計算過程をシミュレートし、そのような化学グラフが存在することを確実にするための必要かつ十分な条件を記述する。 既存のアプローチは通常、化学物質を手作りの特徴ベクトルに変換して予測関数を構築するが、MILPの定式化におけるトラクタビリティの必要性から生じる記述子の種類に制限があるため、いくつかの特性を持つデータセットでの学習性能は不十分である。 優れた学習性能の欠如は、推論された化学グラフの品質を大幅に低下させ、学習性能を向上させることが非常に重要である。 一方、グラフニューラルネットワーク(GNN)は、化学グラフを直接入力として活用するための有望な機械学習手法を提供しており、分子特性予測問題に対する多くの既存のGNNベースのアプローチは、特徴ベクトルに基づく従来のアプローチと比較して学習性能を向上できることを示した。 本研究では,GNNを学習手法として用いたmol-infer,すなわちmol-infer-GNNに基づく分子推論フレームワークを開発した。 そこで我々は,提案したGNNモデルを用いてQM9データセットの計算実験を行い,その簡単な構造にもかかわらず,いくつかの特性の学習性能を満足できることを示すとともに,計算時間内に20個の非水素原子からなる小さな化学グラフを推定できることを示した。

関連論文リスト

• Investigating Graph Neural Networks and Classical Feature-Extraction Techniques in Activity-Cliff and Molecular Property Prediction [0.6906005491572401]
  分子の破滅は、分子データの数値的特徴ベクトルへの変換を指す。 分子グラフから直接識別可能な特徴を学習する新しい手法として、メッセージパッシンググラフニューラルネットワーク(GNN)が登場した。
  論文  参考訳（メタデータ） (2024-11-20T20:07:48Z)
• 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)
• Atomic and Subgraph-aware Bilateral Aggregation for Molecular Representation Learning [57.670845619155195]
  我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。 ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。 本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
  論文  参考訳（メタデータ） (2023-05-22T00:56:00Z)
• MolCPT: Molecule Continuous Prompt Tuning to Generalize Molecular Representation Learning [77.31492888819935]
  分子表現学習のための「プリトレイン,プロンプト,ファインチューン」という新しいパラダイム,分子連続プロンプトチューニング(MolCPT)を提案する。 MolCPTは、事前訓練されたモデルを使用して、スタンドアロンの入力を表現的なプロンプトに投影するモチーフプロンプト関数を定義する。 いくつかのベンチマークデータセットの実験により、MollCPTは分子特性予測のために学習済みのGNNを効率的に一般化することが示された。
  論文  参考訳（メタデータ） (2022-12-20T19:32:30Z)
• Molecular Design Based on Integer Programming and Quadratic Descriptors in a Two-layered Model [5.845754795753478]
  混合整数線形プログラム(MILP)を解くことにより、所望の化学グラフを推論する。 特徴関数におけるグラフ理論記述子の集合は、そのようなMILPのコンパクトな定式化を導出するために重要な役割を果たす。 計算実験の結果,提案手法は最大50個の非水素原子を持つ化学構造を推定可能であることが示唆された。
  論文  参考訳（メタデータ） (2022-09-13T08:27:25Z)
• 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)
• Do Large Scale Molecular Language Representations Capture Important Structural Information? [31.76876206167457]
  本稿では,MoLFormerと呼ばれる効率的なトランスフォーマーエンコーダモデルのトレーニングにより得られた分子埋め込みについて述べる。 実験の結果,グラフベースおよび指紋ベースによる教師付き学習ベースラインと比較して,学習された分子表現が競合的に機能することが確認された。
  論文  参考訳（メタデータ） (2021-06-17T14:33:55Z)
• 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。