論文の概要: Beyond Atoms: Evaluating Electron Density Representation for 3D Molecular Learning

• arxiv url: http://arxiv.org/abs/2511.21900v1
• Date: Wed, 26 Nov 2025 20:42:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-01 19:47:55.290037
• Title: Beyond Atoms: Evaluating Electron Density Representation for 3D Molecular Learning
• Title（参考訳）: 原子を超えて:3次元分子学習のための電子密度表現の評価
• Authors: Patricia Suriana, Joshua A. Rackers, Ewa M. Nowara, Pedro O. Pinheiro, John M. Nicoloudis, Vishnu Sresht,
• Abstract要約: 3次元畳み込みニューラルネットワーク(CNN)における3種類のボクセル入力型の比較を行った。 電子密度は本質的に体積密度であり、ボクセル格子は実験および計算された密度の両方に対して最も自然な表現を提供するため、ボクセルベースのCNNに焦点を当てる。
• 参考スコア（独自算出の注目度）: 3.554781859726123
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Machine learning models for 3D molecular property prediction typically rely on atom-based representations, which may overlook subtle physical information. Electron density maps -- the direct output of X-ray crystallography and cryo-electron microscopy -- offer a continuous, physically grounded alternative. We compare three voxel-based input types for 3D convolutional neural networks (CNNs): atom types, raw electron density, and density gradient magnitude, across two molecular tasks -- protein-ligand binding affinity prediction (PDBbind) and quantum property prediction (QM9). We focus on voxel-based CNNs because electron density is inherently volumetric, and voxel grids provide the most natural representation for both experimental and computed densities. On PDBbind, all representations perform similarly with full data, but in low-data regimes, density-based inputs outperform atom types, while a shape-based baseline performs comparably -- suggesting that spatial occupancy dominates this task. On QM9, where labels are derived from Density Functional Theory (DFT) but input densities from a lower-level method (XTB), density-based inputs still outperform atom-based ones at scale, reflecting the rich structural and electronic information encoded in density. Overall, these results highlight the task- and regime-dependent strengths of density-derived inputs, improving data efficiency in affinity prediction and accuracy in quantum property modeling.
• Abstract（参考訳）: 三次元分子特性予測のための機械学習モデルは一般的に原子ベースの表現に依存しており、微妙な物理情報を見落としている。 X線結晶学と低温電子顕微鏡の直接出力である電子密度マップは、連続的、物理的に接地された代替手段を提供する。 我々は,3次元畳み込みニューラルネットワーク(CNN)のボクセル型入力タイプを,タンパク質結合親和性予測(PDBbind)と量子特性予測(QM9)の2つの分子タスクで比較した。 電子密度は本質的に体積密度であり、ボクセル格子は実験および計算された密度の両方に対して最も自然な表現を提供するため、ボクセルベースのCNNに焦点を当てる。 PDBbindでは、すべての表現は全データで同じように動作するが、低データレシエーションでは密度ベースの入力は原子タイプよりも優れ、一方、形状ベースのベースラインは可視的に実行され、空間的占有がこのタスクを支配していることを示唆している。 QM9では、ラベルが密度汎関数理論(DFT)から導出されるが、低レベル法(XTB)からの入力密度は、密度で符号化された豊富な構造と電子情報を反映して、原子ベースの入力を大規模に上回っている。 全体として、これらの結果は密度に基づく入力のタスク依存および規則依存の強みを強調し、量子特性モデリングにおける親和性予測と精度におけるデータ効率を改善した。

関連論文リスト

• Tokenizing Electron Cloud in Protein-Ligand Interaction Learning [51.74909649330779]
  ECBindは電子雲信号を量子化埋め込みにトークン化する方法である。 これは、原子レベルのモデルで完全に表現できないバインディングモードを明らかにするのに役立つ。 適用範囲を幅広いシナリオに広げるために,我々は知識蒸留を用いて電子クラウドに依存しない予測モデルを構築した。
  論文  参考訳（メタデータ） (2025-05-25T07:36:50Z)
• A Recipe for Charge Density Prediction [4.017525264569417]
  機械学習手法は、電荷密度の予測を著しく加速させることで有望である。 精度とスケーラビリティを両立できるレシピを提案する。 提案手法は,従来の手法よりも1桁以上高速でありながら,最先端の精度を実現する。
  論文  参考訳（メタデータ） (2024-05-29T17:07:24Z)
• Higher-Order Equivariant Neural Networks for Charge Density Prediction in Materials [3.7655047338409893]
  ChargE3Netは、原子系の電子密度を予測するためのE(3)等価グラフニューラルネットワークである。 本稿では,ChargE3Netが分子や材料に対する先行研究よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-12-08T21:56:19Z)
• Automated 3D Pre-Training for Molecular Property Prediction [54.15788181794094]
  新たな3D事前学習フレームワーク(3D PGT)を提案する。 3D分子グラフのモデルを事前訓練し、3D構造のない分子グラフに微調整する。 提案した3次元PGTの精度, 効率, 一般化能力を示すために, 2次元分子グラフの大規模実験を行った。
  論文  参考訳（メタデータ） (2023-06-13T14:43:13Z)
• Molecular Geometry-aware Transformer for accurate 3D Atomic System modeling [51.83761266429285]
  本稿では,ノード(原子)とエッジ(結合と非結合の原子対)を入力とし,それらの相互作用をモデル化するトランスフォーマーアーキテクチャを提案する。 MoleformerはOC20の緩和エネルギー予測の初期状態の最先端を実現し、QM9では量子化学特性の予測に非常に競争力がある。
  論文  参考訳（メタデータ） (2023-02-02T03:49:57Z)
• Electronic-structure properties from atom-centered predictions of the electron density [0.0]
  分子や物質の電子密度は、最近機械学習モデルのターゲット量として大きな注目を集めている。 最適化された高度にスパースな特徴空間における回帰問題の損失関数を最小化するための勾配に基づく手法を提案する。 予測密度から1つのコーン・シャム対角化ステップを実行し、0.1mV/原子の誤差を持つ全エネルギー成分にアクセス可能であることを示す。
  論文  参考訳（メタデータ） (2022-06-28T15:35:55Z)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)
• Quantum deep field: data-driven wave function, electron density generation, and atomization energy prediction and extrapolation with machine learning [7.106986689736826]
  ディープニューラルネットワーク(DNN)は、コーン-シャム密度汎関数理論(KS-DFT)に基づいて計算された分子特性の予測に用いられている。 このレターでは、大規模データセット上で原子化エネルギーを学習することにより、教師なしだがエンドツーエンドの物理インフォームドモデリングで電子密度を提供する量子深度場(QDF)を提示する。
  論文  参考訳（メタデータ） (2020-11-16T13:15:16Z)
• DeepDFT: Neural Message Passing Network for Accurate Charge Density Prediction [0.0]
  DeepDFTは原子周辺の電子電荷密度を予測するためのディープラーニングモデルである。 モデルの精度とスケーラビリティは、分子、固体、液体に対して実証される。
  論文  参考訳（メタデータ） (2020-11-04T16:56:08Z)
• Graph Neural Network for Hamiltonian-Based Material Property Prediction [56.94118357003096]
  無機材料のバンドギャップを予測できるいくつかの異なるグラフ畳み込みネットワークを提示し、比較する。 モデルは、それぞれの軌道自体の情報と相互の相互作用の2つの異なる特徴を組み込むように開発されている。 その結果,クロスバリデーションにより予測精度が期待できることがわかった。
  論文  参考訳（メタデータ） (2020-05-27T13:32:10Z)

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。