論文の概要: One Small Step with Fingerprints, One Giant Leap for De Novo Molecule Generation from Mass Spectra

• arxiv url: http://arxiv.org/abs/2508.04180v2
• Date: Thu, 07 Aug 2025 02:16:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-08 11:49:27.109062
• Title: One Small Step with Fingerprints, One Giant Leap for De Novo Molecule Generation from Mass Spectra
• Title（参考訳）: 物質スペクトルからのデ・ノボ分子生成のための1つのジャイアント・プループ
• Authors: Neng Kai Nigel Neo, Lim Jing, Ngoui Yong Zhau Preston, Koh Xue Ting Serene, Bingquan Shen,
• Abstract要約: 我々は、MISTをエンコーダとして、MolForgeをデコーダとして採用し、事前学習を利用してパフォーマンスを向上させる。 我々はこのパイプラインを、質量スペクトルから脱離するデノボ分子の研究のための強力なベースラインとして位置付ける。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: A common approach to the de novo molecular generation problem from mass spectra involves a two-stage pipeline: (1) encoding mass spectra into molecular fingerprints, followed by (2) decoding these fingerprints into molecular structures. In our work, we adopt MIST as the encoder and MolForge as the decoder, leveraging pretraining to enhance performance. Notably, pretraining MolForge proves especially effective, enabling it to serve as a robust fingerprint-to-structure decoder. Additionally, instead of passing the probability of each bit in the fingerprint, thresholding the probabilities as a step function helps focus the decoder on the presence of substructures, improving recovery of accurate molecular structures even when the fingerprints predicted by MIST only moderately resembles the ground truth in terms of Tanimoto similarity. This combination of encoder and decoder results in a tenfold improvement over previous state-of-the-art methods, generating top-1 28% / top-10 36% of molecular structures correctly from mass spectra. We position this pipeline as a strong baseline for future research in de novo molecule elucidation from mass spectra.
• Abstract（参考訳）: 質量スペクトルからのデノボ分子生成問題に対する一般的なアプローチは、(1)質量スペクトルを分子指紋に符号化し、(2)これらの指紋を分子構造に復号する2段階のパイプラインである。 我々の研究では、MISTをエンコーダとして、MolForgeをデコーダとして採用し、事前トレーニングを活用してパフォーマンスを向上させる。 特に、MolForgeの事前トレーニングは特に有効であり、堅牢な指紋から構造へのデコーダとして機能する。 さらに、指紋中の各ビットの確率を通過させる代わりに、ステップ関数として確率を閾値付けすることで、デコーダをサブ構造の存在に集中させ、MISTによって予測される指紋が、谷本類似性の観点から、基底真理にのみ適度に類似している場合でも、正確な分子構造の回復を改善する。 このエンコーダとデコーダの組み合わせは、従来の最先端手法よりも10倍改善され、質量スペクトルから分子構造の上位-1 28%/上位-10 36%を生成する。 我々はこのパイプラインを、質量スペクトルから脱離するデノボ分子の研究のための強力なベースラインとして位置付ける。

関連論文リスト

• GTR-CoT: Graph Traversal as Visual Chain of Thought for Molecular Structure Recognition [60.76623665324548]
  GTR-Mol-VLMは、2つの重要な革新を特徴とする新しいフレームワークである。 シーケンシャルな原子結合予測を通じて分子グラフを段階的に解析することで、人間の推論をエミュレートする。 MolRec-BenchはOCSRにおけるグラフパーシング精度の詳細な評価のために設計された最初のベンチマークである。
  論文  参考訳（メタデータ） (2025-06-09T08:47:10Z)
• DiffMS: Diffusion Generation of Molecules Conditioned on Mass Spectra [60.39311767532607]
  本稿では,DiffMSを提案する。DiffMS,式制限付きエンコーダ・デコーダ生成ネットワークは,このタスクにおける最先端性能を実現する。 遅延埋め込みと分子構造をブリッジするロバストデコーダを開発するために,フィンガー構造対による拡散デコーダの事前訓練を行う。 確立されたベンチマーク実験により、DiffMSはデノボ分子生成における既存のモデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-13T18:29:48Z)
• Molecular Fingerprints Are Strong Models for Peptide Function Prediction [0.0]
  ペプチド特性予測における分子指紋の有効性について検討した。 分子グラフからドメイン固有の特徴抽出が複雑で計算コストのかかるモデルより優れていることを示す。
  論文  参考訳（メタデータ） (2025-01-29T10:05:27Z)
• RFL: Simplifying Chemical Structure Recognition with Ring-Free Language [66.47173094346115]
  化学構造を階層的に記述する新しいリング自由言語(RFL)を提案する。 RFLは複雑な分子構造を複数の部分に分解し、特異性と簡潔性の両方を保証する。 分子骨格と個々の環を段階的に予測する骨格生成モジュールからなる普遍的な分子骨格デコーダ(MSD)を提案する。
  論文  参考訳（メタデータ） (2024-12-10T15:29:32Z)
• JESTR: Joint Embedding Space Technique for Ranking Candidate Molecules for the Annotation of Untargeted Metabolomics Data [8.206379003314925]
  本稿ではアノテーションのための新しいパラダイム(JESTR)を紹介する。 分子指紋やスペクトルを明示的に構築する従来のアプローチとは異なり、JESTRはそれらの表現を結合空間に効果的に埋め込む。 JESTRを3つのデータセット上でmol-to-specおよびspec-to-FPアノテーションツールに対して評価する。
  論文  参考訳（メタデータ） (2024-11-18T03:03:57Z)
• Molecular Identification via Molecular Fingerprint extraction from Atomic Force Microscopy images [0.0]
  深層学習モデルは、一定の高さのHR-AFM画像の3Dスタックに符号化された化学情報や構造情報を検索することができる。 本研究では, トポロジカルフィンガーによる分子構造記述の確立により, それらの限界を克服する。 指紋による仮想検診を他のDLモデルによって提供されるグローバルな情報で補完することは可能であることを示す。
  論文  参考訳（メタデータ） (2024-05-07T13:47:35Z)
• Prefix-Tree Decoding for Predicting Mass Spectra from Molecules [12.868704267691125]
  我々は、質量スペクトルを分子公式の集合として扱うことにより、分子からの質量スペクトルを予測するための新しい中間戦略を用いる。 質量スペクトル予測タスクにおける有望な実験結果を示す。
  論文  参考訳（メタデータ） (2023-03-11T17:44:28Z)
• 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)
• MassFormer: Tandem Mass Spectrum Prediction for Small Molecules using Graph Transformers [3.2951121243459522]
  タンデム質量スペクトルは、分子に関する重要な構造情報を提供する断片化パターンをキャプチャする。 70年以上にわたり、スペクトル予測はこの分野において重要な課題であり続けている。 我々はタンデム質量スペクトルを正確に予測する新しいモデルMassFormerを提案する。
  論文  参考訳（メタデータ） (2021-11-08T20:55:15Z)
• Chemical-Reaction-Aware Molecule Representation Learning [88.79052749877334]
  本稿では,化学反応を用いて分子表現の学習を支援することを提案する。 本手法は,1) 埋め込み空間を適切に整理し, 2) 分子埋め込みの一般化能力を向上させるために有効であることが証明された。 実験結果から,本手法は様々なダウンストリームタスクにおける最先端性能を実現することが示された。
  論文  参考訳（メタデータ） (2021-09-21T00:08:43Z)
• MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [51.00815310242277]
  生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。 本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
  論文  参考訳（メタデータ） (2020-10-05T20:18:42Z)
• Self-Supervised Graph Transformer on Large-Scale Molecular Data [73.3448373618865]
  分子表現学習のための新しいフレームワークGROVERを提案する。 GROVERは、分子の豊富な構造的および意味的な情報を、巨大な未標識分子データから学習することができる。 分子表現学習において、最大のGNNであり、最大のトレーニングデータセットである、1000万個の未標識分子に1億のパラメータを持つGROVERを事前訓練します。
  論文  参考訳（メタデータ） (2020-06-18T08:37:04Z)

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。