論文の概要: Graph Data Modeling: Molecules, Proteins, & Chemical Processes
- arxiv url: http://arxiv.org/abs/2508.19356v1
- Date: Tue, 26 Aug 2025 18:34:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-28 19:07:41.394669
- Title: Graph Data Modeling: Molecules, Proteins, & Chemical Processes
- Title（参考訳）: グラフデータモデリング:分子、タンパク質、化学プロセス
- Authors: José Manuel Barraza-Chavez, Rana A. Barghout, Ricardo Almada-Monter, Benjamin Sanchez-Lengeling, Adrian Jinich, Radhakrishnan Mahadevan,
- Abstract要約: グラフは化学科学の中心であり、分子、タンパク質、反応、産業プロセスを記述する自然言語を提供する。
このプライマーは、化学における数学的対象としてグラフを導入し、学習アルゴリズムがそれらの上でどのように動作するかを示す。
グラフ設計の基礎、重要な予測タスク、化学科学における代表例、グラフベースモデリングにおける機械学習の役割について概説する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Graphs are central to the chemical sciences, providing a natural language to describe molecules, proteins, reactions, and industrial processes. They capture interactions and structures that underpin materials, biology, and medicine. This primer, Graph Data Modeling: Molecules, Proteins, & Chemical Processes, introduces graphs as mathematical objects in chemistry and shows how learning algorithms (particularly graph neural networks) can operate on them. We outline the foundations of graph design, key prediction tasks, representative examples across chemical sciences, and the role of machine learning in graph-based modeling. Together, these concepts prepare readers to apply graph methods to the next generation of chemical discovery.
- Abstract（参考訳）: グラフは化学科学の中心であり、分子、タンパク質、反応、産業プロセスを記述する自然言語を提供する。
物質、生物学、医学の基盤となる相互作用や構造を捉える。
このプライマーであるグラフデータモデリング:分子、タンパク質、化学プロセスは、化学における数学的対象としてグラフを導入し、学習アルゴリズム(特にグラフニューラルネットワーク)がそれらの上でどのように動作するかを示す。
グラフ設計の基礎、重要な予測タスク、化学科学における代表例、グラフベースモデリングにおける機械学習の役割について概説する。
これらの概念が組み合わさって、次世代の化学発見にグラフ法を適用することができる。
関連論文リスト
- MolGrapher: Graph-based Visual Recognition of Chemical Structures [50.13749978547401]
化学構造を視覚的に認識するためにMolGrapherを導入する。
すべての候補原子と結合をノードとして扱い、それらをグラフ化する。
グラフニューラルネットワークを用いてグラフ内の原子と結合ノードを分類する。
論文 参考訳（メタデータ） (2023-08-23T16:16:11Z) - Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [68.32093648671496]
分子に固有の二重レベル構造を考慮に入れたGODEを導入する。
分子は固有のグラフ構造を持ち、より広い分子知識グラフ内のノードとして機能する。
異なるグラフ構造上の2つのGNNを事前学習することにより、GODEは対応する知識グラフサブ構造と分子構造を効果的に融合させる。
論文 参考訳（メタデータ） (2023-06-02T15:49:45Z) - Conditional Graph Information Bottleneck for Molecular Relational
Learning [9.56625683182106]
本稿では,コア部分グラフを検出してグラフ間の相互作用を予測できる新しい関係学習フレームワークCGIBを提案する。
提案手法は化学反応の性質,すなわち分子の核部分構造がどの分子と相互作用するかによって異なることを模倣する。
論文 参考訳（メタデータ） (2023-04-29T01:17:43Z) - 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) - Graph-based Molecular Representation Learning [59.06193431883431]
分子表現学習(MRL)は、機械学習と化学科学を結びつけるための重要なステップである。
近年、MRLは、特に深層分子グラフ学習に基づく手法において、かなりの進歩を遂げている。
論文 参考訳（メタデータ） (2022-07-08T17:43:20Z) - MolScribe: Robust Molecular Structure Recognition with Image-To-Graph
Generation [28.93523736883784]
MolScribeは、分子構造を構築するために、原子と結合と幾何学的レイアウトを明示的に予測する画像とグラフのモデルである。
MolScribeは以前のモデルよりも大幅に優れ、公開ベンチマークで76-93%の精度を達成した。
論文 参考訳（メタデータ） (2022-05-28T03:03:45Z) - Advanced Graph and Sequence Neural Networks for Molecular Property
Prediction and Drug Discovery [53.00288162642151]
計算モデルや分子表現にまたがる包括的な機械学習ツール群であるMoleculeKitを開発した。
これらの表現に基づいて構築されたMoeculeKitには、ディープラーニングと、グラフとシーケンスデータのための従来の機械学習方法の両方が含まれている。
オンラインおよびオフラインの抗生物質発見と分子特性予測のタスクの結果から、MoneculeKitは以前の方法よりも一貫した改善を実現していることがわかる。
論文 参考訳（メタデータ） (2020-12-02T02:09:31Z) - ChemGrapher: Optical Graph Recognition of Chemical Compounds by Deep
Learning [6.88204255655161]
薬物発見においては、化学物質のグラフ構造に関する知識が不可欠である。
画像を自動的に分析し、それらを化学グラフ構造に変換するツールは、多くのアプリケーションに役立つだろう。
我々は,光化合物認識のためのディープニューラルネットワークモデルを開発した。
論文 参考訳（メタデータ） (2020-02-23T14:30:55Z)
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。