論文の概要: Boltzmann Graph Ensemble Embeddings for Aptamer Libraries

• arxiv url: http://arxiv.org/abs/2510.21980v1
• Date: Fri, 24 Oct 2025 19:13:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:14.721682
• Title: Boltzmann Graph Ensemble Embeddings for Aptamer Libraries
• Title（参考訳）: Boltzmann Graph Ensemble Embeddings for Aptamer Libraries (英語)
• Authors: Starlika Bauskar, Jade Jiao, Narayanan Kannan, Alexander Kimm, Justin M. Baker, Matthew J. Tyler, Andrea L. Bertozzi, Anne M. Andrews,
• Abstract要約: 生化学における機械学習の手法は、分子を性質と構造予測のための一対の分子間相互作用のグラフとして表すのが一般的である。 本稿では,分子をボルツマン重み付き相互作用グラフのアンサンブルとしてモデル化した熱力学的パラメータ化指数型ランダムグラフ(ERGM)を導入する。 提案手法は,アプタマー親和性に対する頑健なコミュニティ検出とサブグラフレベルの説明を可能にする。
• 参考スコア（独自算出の注目度）: 37.52407391187203
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine-learning methods in biochemistry commonly represent molecules as graphs of pairwise intermolecular interactions for property and structure predictions. Most methods operate on a single graph, typically the minimal free energy (MFE) structure, for low-energy ensembles (conformations) representative of structures at thermodynamic equilibrium. We introduce a thermodynamically parameterized exponential-family random graph (ERGM) embedding that models molecules as Boltzmann-weighted ensembles of interaction graphs. We evaluate this embedding on SELEX datasets, where experimental biases (e.g., PCR amplification or sequencing noise) can obscure true aptamer-ligand affinity, producing anomalous candidates whose observed abundance diverges from their actual binding strength. We show that the proposed embedding enables robust community detection and subgraph-level explanations for aptamer ligand affinity, even in the presence of biased observations. This approach may be used to identify low-abundance aptamer candidates for further experimental evaluation.
• Abstract（参考訳）: 生化学における機械学習の手法は、分子を性質と構造予測のための一対の分子間相互作用のグラフとして表すのが一般的である。 ほとんどの方法は、熱力学平衡における構造を表す低エネルギーアンサンブル(コンフォーメーション)に対して、単一のグラフ(通常は最小自由エネルギー(MFE)構造)で作用する。 本稿では,分子をボルツマン重み付き相互作用グラフのアンサンブルとしてモデル化した熱力学的パラメータ化指数型ランダムグラフ(ERGM)を導入する。 実験的なバイアス(PCR増幅やシークエンシングノイズ)が真のアプタマーリガンド親和性を曖昧にし、観測された異常な候補が実際の結合強度から分岐する、SELEXデータセットへの埋め込みを評価した。 提案手法は,アプタマーリガンド親和性に対する頑健なコミュニティ検出とサブグラフレベルの説明を可能にする。 このアプローチは、さらなる実験評価のために、低アプタマー候補を特定するために用いられる。

関連論文リスト

• M-GLC: Motif-Driven Global-Local Context Graphs for Few-shot Molecular Property Prediction [17.236893652698196]
  FSMPP(Few-shot Molecular Property Prediction)は、医薬品の発見と材料科学の基礎である。 我々は、Motif Driven Global-Local Context Graphという包括的なソリューションを提案する。 グローバルレベルでは、共有サブ構造を表す化学的に有意なモチーフノードを導入し、グローバルな三部構造不均一グラフを形成する。 局所レベルでは、分子プロパティペアの各ノードのサブグラフを構築し、それらを個別に符号化し、最も情報に富む隣り合う分子にモデルの注意を集中させる。
  論文  参考訳（メタデータ） (2025-10-24T02:00:41Z)
• Torsional-GFN: a conditional conformation generator for small molecules [75.91029322687771]
  ボルツマン分布に比例して分子の配座をサンプリングするために特別に設計された条件付きGFlowNetを導入する。 我々の研究は、提案したアプローチをより大きな分子系に拡張するための有望な道を示す。
  論文  参考訳（メタデータ） (2025-07-15T21:53:25Z)
• Graph Multi-Similarity Learning for Molecular Property Prediction [13.214794693837785]
  本稿では,Graph Multi-Similarity Learning for Molecular Property Prediction (GraphMSL)フレームワークを紹介する。 まず、まず自己相似性計量(すなわち、アンカー分子と他の分子との類似性)を定義し、次にペア重み付け関数を通してアンカーの一般化多相性計量に変換する。 GraphMSLは、MoneculeNetデータセット間の多重相似性測定の有効性を検証する。
  論文  参考訳（メタデータ） (2024-01-31T05:59:38Z)
• Graph Diffusion Transformers for Multi-Conditional Molecular Generation [16.58392955245203]
  多条件分子生成のためのグラフ拡散変換器(Graph DiT)を提案する。 Graph DiTはエンコーダを統合し、数値的および分類的プロパティ表現とTransformerベースのデノイザを学習する。 その結果、分布学習から分子特性の条件制御まで、9つの指標にまたがるグラフDiTの優位性が示された。
  論文  参考訳（メタデータ） (2024-01-24T23:45:31Z)
• SE(3)-Invariant Multiparameter Persistent Homology for Chiral-Sensitive Molecular Property Prediction [1.534667887016089]
  多パラメータ持続ホモロジー(MPPH)を用いた新しい分子指紋生成法を提案する。 この技術は、正確な分子特性予測が不可欠である薬物発見と材料科学において、かなりの重要性を持っている。 分子特性の予測における既存の最先端手法よりも優れた性能を示し,MoleculeNetベンチマークで広範囲な評価を行った。
  論文  参考訳（メタデータ） (2023-12-12T09:33:54Z)
• Towards Predicting Equilibrium Distributions for Molecular Systems with Deep Learning [60.02391969049972]
  本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。 DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
  論文  参考訳（メタデータ） (2023-06-08T17:12:08Z)
• 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)
• 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)
• 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)

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。