論文の概要: PCEvo: Path-Consistent Molecular Representation via Virtual Evolutionary

• arxiv url: http://arxiv.org/abs/2601.19257v1
• Date: Tue, 27 Jan 2026 06:40:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-28 15:26:51.207468
• Title: PCEvo: Path-Consistent Molecular Representation via Virtual Evolutionary
• Title（参考訳）: PCEvo:仮想進化によるパス一貫性分子表現
• Authors: Kun Li, Longtao Hu, Yida Xiong, Jiajun Yu, Hongzhi Zhang, Jiameng Chen, Xiantao Cai, Jia Wu, Wenbin Hu,
• Abstract要約: PCEvoは動的構造進化を通じて仮想経路から学習する経路一貫性表現法である。 2つの分子のラベルは、それぞれの仮想進化経路に沿って段階的に監督される。 ベースライン法における数ショットの一般化を大幅に改善する。
• 参考スコア（独自算出の注目度）: 18.293286500276064
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Molecular representation learning aims to learn vector embeddings that capture molecular structure and geometry, thereby enabling property prediction and downstream scientific applications. In many AI for science tasks, labeled data are expensive to obtain and therefore limited in availability. Under the few-shot setting, models trained with scarce supervision often learn brittle structure-property relationships, resulting in substantially higher prediction errors and reduced generalization to unseen molecules. To address this limitation, we propose PCEvo, a path-consistent representation method that learns from virtual paths through dynamic structural evolution. PCEvo enumerates multiple chemically feasible edit paths between retrieved similar molecular pairs under topological dependency constraints. It transforms the labels of the two molecules into stepwise supervision along each virtual evolutionary path. It introduces a path-consistency objective that enforces prediction invariance across alternative paths connecting the same two molecules. Comprehensive experiments on the QM9 and MoleculeNet datasets demonstrate that PCEvo substantially improves the few-shot generalization performance of baseline methods. The code is available at https://anonymous.4open.science/r/PCEvo-4BF2.
• Abstract（参考訳）: 分子表現学習は、分子構造と幾何学を捉えるベクトル埋め込みを学習することを目的としており、それによって特性予測と下流の科学的応用を可能にする。 科学タスクのための多くのAIでは、ラベル付きデータは入手するのにコストがかかり、可用性が制限される。 少数の設定では、希少な監督で訓練されたモデルは、しばしば脆い構造と不適切な関係を学習し、予測誤差が著しく高くなり、未知の分子への一般化が減少する。 この制限に対処するために,動的構造進化を通じて仮想経路から学習する経路一貫性表現法であるPCEvoを提案する。 PCEvoは、トポロジカル依存制約の下で取得した類似の分子対間の複数の化学的に実現可能な編集経路を列挙する。 2つの分子のラベルは、それぞれの仮想進化経路に沿って段階的に監督される。 経路整合性の目的を導入し、同じ2つの分子を接続する代替経路間の予測不変性を強制する。 QM9 と MoleculeNet データセットの総合的な実験により、PCEvo はベースライン法における数ショットの一般化性能を大幅に改善することを示した。 コードはhttps://anonymous.4open.science/r/PCEvo-4BF2で公開されている。

関連論文リスト

• MolGA: Molecular Graph Adaptation with Pre-trained 2D Graph Encoder [39.80881797755817]
  MolGAは、様々な分子領域の知識を柔軟に組み込んで、事前訓練された2Dグラフエンコーダを下流の分子応用に適用する。 まず,事前学習したトポロジ表現とドメイン知識表現とのギャップを埋める分子アライメント戦略を提案する。 第2に、分子ドメイン知識のきめ細かい統合を可能にするために、インスタンス固有のトークンを生成する条件適応機構を導入する。
  論文  参考訳（メタデータ） (2025-10-08T17:46:22Z)
• UniIF: Unified Molecule Inverse Folding [67.60267592514381]
  全分子の逆折り畳みのための統一モデルUniIFを提案する。 提案手法は,全タスクにおける最先端手法を超越した手法である。
  論文  参考訳（メタデータ） (2024-05-29T10:26:16Z)
• Learning Invariant Molecular Representation in Latent Discrete Space [52.13724532622099]
  本稿では,分散シフトに対する不変性とロバスト性を示す分子表現を学習するための新しい枠組みを提案する。 我々のモデルは、様々な分布シフトが存在する場合に、最先端のベースラインに対してより強力な一般化を実現する。
  論文  参考訳（メタデータ） (2023-10-22T04:06:44Z)
• 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)
• 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)
• Geometric Transformer for End-to-End Molecule Properties Prediction [92.28929858529679]
  分子特性予測のためのトランスフォーマーに基づくアーキテクチャを導入し,分子の形状を捉える。 分子幾何学の初期符号化による古典的な位置エンコーダと、学習されたゲート自己保持機構を改変する。
  論文  参考訳（メタデータ） (2021-10-26T14:14:40Z)
• Relative Molecule Self-Attention Transformer [4.020171169198032]
  Relative Molecule Attention Transformer (R-MAT) は、新しいトランスフォーマーベースのモデルである。 我々の主な貢献は、R-MAT(Relative Molecule Attention Transformer)である。これは、新しいトランスフォーマーベースのモデルであり、分子特性予測タスクの幅広い範囲において、最先端または非常に競争的な結果を達成する。
  論文  参考訳（メタデータ） (2021-10-12T09:05:26Z)
• Deep Molecular Dreaming: Inverse machine learning for de-novo molecular design and interpretability with surjective representations [1.433758865948252]
  コンピュータビジョンを用いた勾配に基づく分子最適化手法PASITHEAを提案する。 ニューラルネットワークの学習プロセスを直接反転させることで勾配の利用を生かし、実際の化学特性を予測するために訓練される。 その結果は予備的ですが、逆トレーニング中の選択されたプロパティの分布の変化、PASITHEAの生存可能性を明確に示しています。
  論文  参考訳（メタデータ） (2020-12-17T16:34:59Z)

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。