論文の概要: Mamba-driven multi-perspective structural understanding for molecular ground-state conformation prediction

• arxiv url: http://arxiv.org/abs/2511.09564v1
• Date: Fri, 14 Nov 2025 01:00:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-14 22:53:22.322605
• Title: Mamba-driven multi-perspective structural understanding for molecular ground-state conformation prediction
• Title（参考訳）: マンバ駆動型分子基底状態整合予測のための多視点構造理解
• Authors: Yuxin Gou, Aming Wu, Richang Hong, Meng Wang,
• Abstract要約: 本稿では,マンバ駆動型多面的構造理解(MPSU-Mamba)による分子基底状態の局在化手法を提案する。 複雑で多様な分子に対しては、対応する分子構造の包括的認識を構築するために、3種類の専用の走査戦略が検討されている。 QM9 と Molecule3D データセットの実験結果から,MPSU-Mamba が既存の手法よりも優れていたことが示唆された。
• 参考スコア（独自算出の注目度）: 69.32436472760712
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A comprehensive understanding of molecular structures is important for the prediction of molecular ground-state conformation involving property information. Meanwhile, state space model (e.g., Mamba) has recently emerged as a promising mechanism for long sequence modeling and has achieved remarkable results in various language and vision tasks. However, towards molecular ground-state conformation prediction, exploiting Mamba to understand molecular structure is underexplored. To this end, we strive to design a generic and efficient framework with Mamba to capture critical components. In general, molecular structure could be considered to consist of three elements, i.e., atom types, atom positions, and connections between atoms. Thus, considering the three elements, an approach of Mamba-driven multi-perspective structural understanding (MPSU-Mamba) is proposed to localize molecular ground-state conformation. Particularly, for complex and diverse molecules, three different kinds of dedicated scanning strategies are explored to construct a comprehensive perception of corresponding molecular structures. And a bright-channel guided mechanism is defined to discriminate the critical conformation-related atom information. Experimental results on QM9 and Molecule3D datasets indicate that MPSU-Mamba significantly outperforms existing methods. Furthermore, we observe that for the case of few training samples, MPSU-Mamba still achieves superior performance, demonstrating that our method is indeed beneficial for understanding molecular structures.
• Abstract（参考訳）: 分子構造の包括的理解は、特性情報を含む分子基底状態整合の予測に重要である。 一方、状態空間モデル(例えば、Mamba)は、最近長周期モデリングの有望なメカニズムとして登場し、様々な言語や視覚タスクにおいて顕著な成果を上げている。 しかし、分子基底状態のコンフォメーション予測では、分子構造を理解するためにマンバを利用するのが過小評価されている。 この目的のために、重要なコンポーネントをキャプチャするために、Mambaを使って汎用的で効率的なフレームワークを設計しようと努力しています。 一般に、分子構造は原子の種類、原子の位置、原子間の結合の3つの要素からなると考えられる。 したがって、これらの3つの要素を考慮すると、分子基底状態配座を局在化するために、マンバ駆動多視点構造理解(MPSU-マンバ)のアプローチが提案される。 特に、複雑で多様な分子に対して、対応する分子構造の包括的認識を構築するために、3種類の専用の走査戦略が検討されている。 そして、臨界コンフォメーション関連原子情報を識別するために、明るいチャネル誘導機構が定義される。 QM9 と Molecule3D データセットの実験結果から,MPSU-Mamba が既存手法よりも優れていたことが示唆された。 さらに,本手法が分子構造を理解する上で有益であることを示す上で,MPSU-Mambaは依然として優れた性能を発揮している。

関連論文リスト

• How well can off-the-shelf LLMs elucidate molecular structures from mass spectra using chain-of-thought reasoning? [51.286853421822705]
  大規模言語モデル (LLM) は推論集約的な科学的タスクを約束するが、化学的解釈の能力はまだ不明である。 我々は、分子構造を予測するために、LLMが質量スペクトルデータに対してどのように理由を持つかを評価する、Chain-of-Thought(CoT)プロンプトフレームワークとベンチマークを導入する。 SMILESの妥当性, 式整合性, 構造的類似性の指標による評価の結果, LLMは合成学的に有効で, 部分的に可視な構造を生成できるが, 分子予測の正確性やリンク推論を達成できないことがわかった。
  論文  参考訳（メタデータ） (2026-01-09T20:08:42Z)
• $\ ext{M}^{2}$LLM: Multi-view Molecular Representation Learning with Large Language Models [59.125833618091846]
  分子構造ビュー,分子タスクビュー,分子規則ビューの3つの視点を統合した多視点フレームワークを提案する。 実験によると、$textM2$LLMは、分類タスクと回帰タスクをまたいだ複数のベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-08-12T05:46:47Z)
• MolGround: A Benchmark for Molecular Grounding [10.242626234027755]
  そこで本研究では,モデル参照能力の評価を目的とした分子基盤ベンチマークを提案する。 これまでに117kのQAペアからなる分子理解ベンチマークを構築した。 我々のシステムはGPT-4oを含む既存のモデルよりも優れており、その基盤出力は従来のタスクを強化するために統合されている。
  論文  参考訳（メタデータ） (2025-03-31T02:23:16Z)
• Mol-LLaMA: Towards General Understanding of Molecules in Large Molecular Language Model [52.84455878597969]
  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)
• Knowledge-aware contrastive heterogeneous molecular graph learning [77.94721384862699]
  分子グラフを不均一な分子グラフ学習(KCHML)に符号化するパラダイムシフトを提案する。 KCHMLは、不均一な分子グラフと二重メッセージパッシング機構によって強化された3つの異なるグラフビュー-分子、元素、薬理学-を通して分子を概念化する。 この設計は、プロパティ予測やドラッグ・ドラッグ・インタラクション(DDI)予測などの下流タスクに対する包括的な表現を提供する。
  論文  参考訳（メタデータ） (2025-02-17T11:53:58Z)
• MOL-Mamba: Enhancing Molecular Representation with Structural & Electronic Insights [23.55889965960128]
  MOL-Mambaは構造的および電子的洞察を組み合わせることで分子表現を強化するフレームワークである。 MOL-Mambaは11の化学生物学的分子データセットで最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2024-12-21T04:48:57Z)
• Learning Multi-view Molecular Representations with Structured and Unstructured Knowledge [14.08112359246334]
  本稿では, 化学構造から多視点分子知識を抽出する表現学習モデルMV-Mol, バイオメディカルテキストからの非構造化知識, 知識グラフからの構造化知識について述べる。 MV-Molは分子特性予測に有効であることを示す。
  論文  参考訳（メタデータ） (2024-06-14T08:48:10Z)
• Multi-channel learning for integrating structural hierarchies into context-dependent molecular representation [10.025809630976065]
  本稿では,より堅牢で一般化可能な化学知識を学習する,新しい事前学習フレームワークを提案する。 提案手法は,種々の分子特性ベンチマークにおける競合性能を示す。
  論文  参考訳（メタデータ） (2023-11-05T23:47:52Z)
• MolFM: A Multimodal Molecular Foundation Model [9.934141536012596]
  MolFMは分子構造、バイオメディカルテキスト、知識グラフからの共同表現学習を容易にするために設計された多モード分子基盤モデルである。 我々は,同分子の異なるモジュラリティ間の特徴空間における距離を最小化することにより,我々のクロスモーダル事前学習が局所的および大域的分子知識を捕捉する理論解析を行う。 クロスモーダル検索では、MolFMは既存のモデルよりも12.13%、絶対利得は5.04%、ゼロショットと微調整がそれぞれ優れている。
  論文  参考訳（メタデータ） (2023-06-06T12:45:15Z)
• 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)

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。