論文の概要: Look the Other Way: Designing 'Positive' Molecules with Negative Data via Task Arithmetic

• arxiv url: http://arxiv.org/abs/2507.17876v1
• Date: Wed, 23 Jul 2025 19:05:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-25 15:10:42.424187
• Title: Look the Other Way: Designing 'Positive' Molecules with Negative Data via Task Arithmetic
• Title（参考訳）: Look the Other Way: Task Arithmeticによる負のデータによる「正の」分子の設計
• Authors: Rıza Özçelik, Sarah de Ruiter, Francesca Grisoni,
• Abstract要約: 分子タスク算術は設計特性を維持しつつ設計の多様性を一貫して向上させることができることを示す。 その単純さ、データ効率、性能により、分子タスク算術はデ・ノボ分子設計のための$textitde-facto$転送学習戦略になる可能性を秘めている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The scarcity of molecules with desirable properties (i.e., 'positive' molecules) is an inherent bottleneck for generative molecule design. To sidestep such obstacle, here we propose molecular task arithmetic: training a model on diverse and abundant negative examples to learn 'property directions' $--$ without accessing any positively labeled data $--$ and moving models in the opposite property directions to generate positive molecules. When analyzed on 20 zero-shot design experiments, molecular task arithmetic generated more diverse and successful designs than models trained on positive molecules. Moreover, we employed molecular task arithmetic in dual-objective and few-shot design tasks. We find that molecular task arithmetic can consistently increase the diversity of designs while maintaining desirable design properties. With its simplicity, data efficiency, and performance, molecular task arithmetic bears the potential to become the $\textit{de-facto}$ transfer learning strategy for de novo molecule design.
• Abstract（参考訳）: 望ましい性質(すなわち「陽性」分子)を持つ分子の不足は、生成分子設計に固有のボトルネックである。 このような障害を解消するために、分子的タスク算術を提案する: 多様な負の例のモデルを訓練し、「適切な方向」を学習し、正のラベル付きデータにアクセスせずに$--$、正の分子を生成するために反対の特性方向のモデルを動かす。 20のゼロショット設計実験で解析すると、分子タスク算術は正の分子で訓練されたモデルよりも多様で成功した設計を生み出した。 さらに,両目的および少数ショット設計タスクに分子的タスク算術を適用した。 分子タスク算術は設計特性を維持しつつ設計の多様性を一貫して向上させることができる。 その単純さ、データ効率、性能により、分子タスク算術はデノボ分子設計のための転写学習戦略として$\textit{de-facto}$となる可能性を秘めている。

関連論文リスト

• Mol-LLaMA: Towards General Understanding of Molecules in Large Molecular Language Model [55.87790704067848]
  Mol-LLaMAは、分子を中心とした一般的な知識を把握した大きな分子言語モデルである。 分子理解を改善するために,分子エンコーダの相補的な情報を統合するモジュールを提案する。
  論文  参考訳（メタデータ） (2025-02-19T05:49:10Z)
• MolMiner: Towards Controllable, 3D-Aware, Fragment-Based Molecular Design [7.366789601705544]
  MolMinerは、分子設計のための断片的、幾何学的、秩序に依存しない自己回帰モデルである。 MolMinerは12個以上の性質を持つ分子の条件生成をサポートし、物理化学的および構造的標的に対して柔軟な制御を可能にする。
  論文  参考訳（メタデータ） (2024-11-10T22:00:55Z)
• Interactive Molecular Discovery with Natural Language [69.89287960545903]
  対象分子を記述・編集するための自然言語を用いた対話型分子設計を提案する。 この課題をより良くするために、実験プロパティ情報を注入することによって強化された知識的で汎用的な生成事前学習モデルChatMolを設計する。
  論文  参考訳（メタデータ） (2023-06-21T02:05:48Z)
• Molecule Design by Latent Space Energy-Based Modeling and Gradual Distribution Shifting [53.44684898432997]
  化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。 本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。 本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
  論文  参考訳（メタデータ） (2023-06-09T03:04:21Z)
• An Equivariant Generative Framework for Molecular Graph-Structure Co-Design [54.92529253182004]
  分子グラフ構造アンダーラインCo設計のための機械学習ベースの生成フレームワークであるMollCodeを提案する。 MolCodeでは、3D幾何情報によって分子2Dグラフの生成が促進され、それによって分子3D構造の予測が導かれる。 分子設計における2次元トポロジーと3次元幾何は本質的に相補的な情報を含んでいることが明らかとなった。
  論文  参考訳（メタデータ） (2023-04-12T13:34:22Z)
• Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
  我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。 我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。 複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
  論文  参考訳（メタデータ） (2023-02-04T01:32:40Z)
• Supervised Pretraining for Molecular Force Fields and Properties Prediction [16.86839767858162]
  本研究では, 原子電荷と3次元ジオメトリーを入力とし, 分子エネルギーをラベルとする8800万分子のデータセット上で, ニューラルネットワークを事前学習することを提案する。 実験により、スクラッチからのトレーニングと比較して、事前訓練されたモデルを微調整すると、7つの分子特性予測タスクと2つの力場タスクのパフォーマンスが大幅に向上することが示された。
  論文  参考訳（メタデータ） (2022-11-23T08:36:50Z)
• 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)
• Interpretable Molecular Graph Generation via Monotonic Constraints [19.401468196146336]
  ディープグラフ生成モデルは、分子設計をグラフ生成問題として扱う。 既存のモデルには多くの欠点があり、解釈性や所望の分子特性に対する制御性が低い。 本稿では,分子生成の解釈可能なモデルと深層制御可能なモデルを用いた新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-02-28T08:35:56Z)
• Molecule Generation from Input-Attributions over Graph Convolutional Networks [4.468952886990851]
  本稿では,グラフ畳み込みネットワークモデルと新しい分子を生成する入力帰属法を含む自動プロセスを提案する。 また、このような自動ツールの実用化において、過度な最適化と適用性の問題についても検討し、これらを2つの重要な側面として認識する。
  論文  参考訳（メタデータ） (2022-01-25T09:13:26Z)
• Learning Latent Space Energy-Based Prior Model for Molecule Generation [59.875533935578375]
  分子モデリングのためのSMILES表現を用いた潜時空間エネルギーに基づく先行モデルについて学習する。 本手法は,最先端モデルと競合する妥当性と特異性を持つ分子を生成することができる。
  論文  参考訳（メタデータ） (2020-10-19T09:34:20Z)
• Reinforcement Learning for Molecular Design Guided by Quantum Mechanics [10.112779201155005]
  分子設計のための新しいRL式を座標で提示し、構築可能な分子のクラスを拡張した。 我々の報酬関数は、高速量子化学法で近似したエネルギーのような基本的な物理的性質に基づいている。 本実験では, 翻訳および回転不変状態-作用空間で作業することで, エージェントがスクラッチからこれらの課題を効率的に解けることを示す。
  論文  参考訳（メタデータ） (2020-02-18T16:43:58Z)

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。