論文の概要: AROMMA: Unifying Olfactory Embeddings for Single Molecules and Mixtures

• arxiv url: http://arxiv.org/abs/2601.19561v1
• Date: Tue, 27 Jan 2026 12:54:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-28 15:26:51.318653
• Title: AROMMA: Unifying Olfactory Embeddings for Single Molecules and Mixtures
• Title（参考訳）: AROMMA:単一分子と混合物のための嗅覚埋め込みの統合
• Authors: Dayoung Kang, JongWon Kim, Jiho Park, Keonseock Lee, Ji-Woong Choi, Jinhyun So,
• Abstract要約: AROMMAは単一分子と2分子混合体に対する統一的な埋め込み空間を学習するフレームワークである。 AROMMAは、単一分子と分子対のデータセットの両方で最先端のパフォーマンスを達成し、最大19.1%のAUROCを改善した。
• 参考スコア（独自算出の注目度）: 1.9872740012524774
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Public olfaction datasets are small and fragmented across single molecules and mixtures, limiting learning of generalizable odor representations. Recent works either learn single-molecule embeddings or address mixtures via similarity or pairwise label prediction, leaving representations separate and unaligned. In this work, we propose AROMMA, a framework that learns a unified embedding space for single molecules and two-molecule mixtures. Each molecule is encoded by a chemical foundation model and the mixtures are composed by an attention-based aggregator, ensuring both permutation invariance and asymmetric molecular interactions. We further align odor descriptor sets using knowledge distillation and class-aware pseudo-labeling to enrich missing mixture annotations. AROMMA achieves state-of-the-art performance in both single-molecule and molecule-pair datasets, with up to 19.1% AUROC improvement, demonstrating a robust generalization in two domains.
• Abstract（参考訳）: 一般の嗅覚データセットは、単一の分子と混合物にまたがって断片化され、一般化可能な匂い表現の学習を制限する。 最近の研究は、類似性やペアワイズラベル予測を通じて単一分子の埋め込みやアドレスの混合を学習し、表現を分離してアンアライメントする。 本研究では, 単一分子と2分子混合系の統合埋め込み空間を学習するフレームワークであるAROMMAを提案する。 それぞれの分子は化学基盤モデルによってコード化され、混合物は注意に基づく凝集体によって構成され、置換不変性と非対称分子相互作用の両方を保証する。 さらに,未知の混合アノテーションを豊かにするために,知識蒸留とクラス認識の擬似ラベルを用いた匂い記述器セットの調整を行う。 AROMMAは、単一分子と分子対のデータセットの両方で最先端のパフォーマンスを達成し、最大19.1%のAUROCを改善し、2つの領域で堅牢な一般化を示す。

関連論文リスト

• From Molecules to Mixtures: Learning Representations of Olfactory Mixture Similarity using Inductive Biases [0.18846515534317265]
  ヒトの嗅覚として分子がどのように認識されるかという嗅覚は、いまだに理解されていない。 近年, 単一化合物の嗅覚特性をデジタル化するため, 主臭気マップ (POM) が導入された。 本稿では、混合を表現するためにPOMの拡張であるPOMMixを紹介する。
  論文  参考訳（メタデータ） (2025-01-27T18:05:28Z)
• FARM: Functional Group-Aware Representations for Small Molecules [55.281754551202326]
  小型分子のための機能的グループ認識表現(FARM)について紹介する。 FARMはSMILES、自然言語、分子グラフのギャップを埋めるために設計された新しいモデルである。 我々は、13のタスクのうち11のタスクで最先端のパフォーマンスを達成するMoleculeNetデータセット上で、FARMを評価した。
  論文  参考訳（メタデータ） (2024-10-02T23:04:58Z)
• MolFusion: Multimodal Fusion Learning for Molecular Representations via Multi-granularity Views [25.69424590542192]
  分子多量性を組み合わせた多粒性融合法を提案する。 MolFusionは分子レベルのエンコーディングコンポーネントであるMollSimと、原子レベルのエンコーディングコンポーネントであるAtomAlignの2つの重要なコンポーネントで構成されている。 その結果,MolFusionは補完的なマルチモーダル情報を効果的に活用し,性能が大幅に向上した。
  論文  参考訳（メタデータ） (2024-06-26T02:26:50Z)
• Graph Multi-Similarity Learning for Molecular Property Prediction [13.214794693837785]
  本稿では,Graph Multi-Similarity Learning for Molecular Property Prediction (GraphMSL)フレームワークを紹介する。 まず、まず自己相似性計量(すなわち、アンカー分子と他の分子との類似性)を定義し、次にペア重み付け関数を通してアンカーの一般化多相性計量に変換する。 GraphMSLは、MoneculeNetデータセット間の多重相似性測定の有効性を検証する。
  論文  参考訳（メタデータ） (2024-01-31T05:59:38Z)
• Improving Molecular Pretraining with Complementary Featurizations [20.86159731100242]
  分子プレトレーニング(英: molecular pretraining)は、計算化学と薬物発見における様々な課題を解決するためのパラダイムである。 化学情報を異なる方法で伝達できることが示される。 我々は, 簡易で効果的な分子事前学習フレームワーク(MOCO)を提案する。
  論文  参考訳（メタデータ） (2022-09-29T21:11:09Z)
• Chemical-Reaction-Aware Molecule Representation Learning [88.79052749877334]
  本稿では,化学反応を用いて分子表現の学習を支援することを提案する。 本手法は,1) 埋め込み空間を適切に整理し, 2) 分子埋め込みの一般化能力を向上させるために有効であることが証明された。 実験結果から,本手法は様々なダウンストリームタスクにおける最先端性能を実現することが示された。
  論文  参考訳（メタデータ） (2021-09-21T00:08:43Z)
• Chemistry-informed Macromolecule Graph Representation for Similarity Computation and Supervised Learning [0.0]
  モノマーと結合をノードとエッジとして、マクロ分子グラフ表現を開発しています。 化学とトポロジーの異なる2つのマクロ分子間の化学類似性を,グラフ編集距離とグラフカーネルを用いて実証する。 私たちの研究には2つの意味があり、マクロ分子の表現、比較、学習のための一般的なフレームワークを提供します。
  論文  参考訳（メタデータ） (2021-03-03T18:05:57Z)
• MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [51.00815310242277]
  生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。 本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
  論文  参考訳（メタデータ） (2020-10-05T20:18:42Z)
• 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。

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。