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

• 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)

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。