Fugu-MT 論文翻訳(概要): Lifting Biomolecular Data Acquisition

論文の概要: Lifting Biomolecular Data Acquisition

arxiv url: http://arxiv.org/abs/2512.15984v1
Date: Wed, 17 Dec 2025 21:30:44 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-19 18:10:31.831784
Title: Lifting Biomolecular Data Acquisition
Title（参考訳）: Lifting Biomolecular Data Acquisition
Authors: Eli N. Weinstein, Andrei Slabodkin, Mattia G. Gollub, Kerry Dobbs, Xiao-Bing Cui, Fang Zhang, Kristina Gurung, Elizabeth B. Wood,
Abstract要約: ウェットラボ実験と学習アルゴリズムの共同設計は、情報密度のオーダー・オブ・マグニチュードの増加を確実に導く。抗体と細胞療法について検討した。
参考スコア（独自算出の注目度）: 5.326940970105281
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: One strategy to scale up ML-driven science is to increase wet lab experiments' information density. We present a method based on a neural extension of compressed sensing to function space. We measure the activity of multiple different molecules simultaneously, rather than individually. Then, we deconvolute the molecule-activity map during model training. Co-design of wet lab experiments and learning algorithms provably leads to orders-of-magnitude gains in information density. We demonstrate on antibodies and cell therapies.
Abstract（参考訳）: ML駆動科学をスケールアップするための戦略の1つは、ウェットラボ実験の情報密度を増加させることである。本稿では, 関数空間に対する圧縮センシングのニューラル拡張に基づく手法を提案する。個々の分子ではなく、複数の異なる分子の活性を同時に測定する。そして、モデルトレーニング中に分子活性マップをデコンボリュートする。ウェットラボ実験と学習アルゴリズムの共同設計は、情報密度のオーダー・オブ・マグニチュードの増加を確実に導く。抗体と細胞療法について検討した。

関連論文リスト

Molecular Representations in Implicit Functional Space via Hyper-Networks [53.70982267248536]
分子学習は関数空間における学習として定式化することができる。分子場上の分布を学習するハイパーネットワークベースのフレームワークであるMollFieldを用いて、この定式化をインスタンス化する。分子を連続関数として扱うことは、分子表現がタスク全体にわたって一般化する方法を根本的に変えることを示す。
論文参考訳（メタデータ） (2026-01-29T21:13:37Z)
Generating $π$-Functional Molecules Using STGG+ with Active Learning [31.421181317988093]
この研究は、最先端の教師付き学習手法STGG+をアクティブな学習ループに統合する。有機材料設計にSTGG+ALを適用する。生成した分子は、時間依存密度汎関数理論で検証され、理化される。
論文参考訳（メタデータ） (2025-02-20T18:52:42Z)
Data-Efficient Molecular Generation with Hierarchical Textual Inversion [48.816943690420224]
分子生成のための階層型テキスト変換法 (HI-Mol) を提案する。 HI-Molは分子分布を理解する上での階層的情報、例えば粗い特徴ときめ細かい特徴の重要性にインスパイアされている。単一レベルトークン埋め込みを用いた画像領域の従来のテキストインバージョン法と比較して, マルチレベルトークン埋め込みにより, 基礎となる低ショット分子分布を効果的に学習することができる。
論文参考訳（メタデータ） (2024-05-05T08:35:23Z)
MUDiff: Unified Diffusion for Complete Molecule Generation [104.7021929437504]
本稿では,原子の特徴,2次元離散分子構造,および3次元連続分子座標を含む分子の包括的表現を生成する新しいモデルを提案する。拡散過程を認知するための新しいグラフトランスフォーマーアーキテクチャを提案する。我々のモデルは、安定で多様な分子を設計するための有望なアプローチであり、分子モデリングの幅広いタスクに適用できる。
論文参考訳（メタデータ） (2023-04-28T04:25:57Z)
Context-enriched molecule representations improve few-shot drug discovery [8.379853456273674]
数発の薬物発見のための新しい方法を提案する。私たちの基本的な考え方は、既知のコンテキストや参照分子に関する知識によって分子表現を豊かにすることです。本手法は,FS-Molベンチマークデータセットにおいて,薬物発見のためのいくつかの方法と比較した。
論文参考訳（メタデータ） (2023-04-24T17:58:05Z)
Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
論文参考訳（メタデータ） (2023-02-04T01:32:40Z)
Tyger: Task-Type-Generic Active Learning for Molecular Property Prediction [121.97742787439546]
分子の性質を正確に予測する方法は、AIによる薬物発見において重要な問題である。アノテーションのコストを削減するため,注釈付けのための最も代表的で情報性の高いデータのみを選択するために,深層能動学習法が開発された。本稿では,異なるタイプの学習タスクを統一的に処理できるタスク型汎用能動的学習フレームワーク(Tyger)を提案する。
論文参考訳（メタデータ） (2022-05-23T12:56:12Z)
Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
論文参考訳（メタデータ） (2022-05-17T13:08:28Z)
Generating stable molecules using imitation and reinforcement learning [0.0]
カルテシアン座標における分子生成のための強化学習手法を提案する。我々は、GDB-11データベース上での模倣学習から基本的な化学規則を学び、初期モデルを作成する。次に、強化学習環境において、特定の統計量で条件付けられたモデルの複数のコピーをデプロイする。
論文参考訳（メタデータ） (2021-07-11T10:18:19Z)
Deep Spatial Learning with Molecular Vibration [1.0878040851638]
データ不足による機械学習の過度な適合は、機械学習の分子への応用を著しく制限する。本稿では、分子構造の自然的特徴を抽出し、それらを合理的に歪め、データの可用性を高めることを提案する。分子振動を用いた深部空間学習は分子科学に広く応用されている。
論文参考訳（メタデータ） (2020-11-14T02:46:43Z)
ASGN: An Active Semi-supervised Graph Neural Network for Molecular Property Prediction [61.33144688400446]
本稿では,ラベル付き分子とラベルなし分子の両方を組み込んだ,アクティブ半教師付きグラフニューラルネットワーク(ASGN)を提案する。教師モデルでは,分子構造や分子分布から情報を共同で活用する汎用表現を学習するための,新しい半教師付き学習手法を提案する。最後に,分子多様性の観点から,フレームワーク学習全体を通して情報的データを選択するための新しい能動的学習戦略を提案する。
論文参考訳（メタデータ） (2020-07-07T04:22:39Z)

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。