論文の概要: Learning Molecular Chirality via Chiral Determinant Kernels

• arxiv url: http://arxiv.org/abs/2602.07415v1
• Date: Sat, 07 Feb 2026 07:21:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-10 20:26:24.611918
• Title: Learning Molecular Chirality via Chiral Determinant Kernels
• Title（参考訳）: キラル決定因子カーネルによる分子キラリティーの学習
• Authors: Runhan Shi, Zhicheng Zhang, Letian Chen, Gufeng Yu, Yang Yang,
• Abstract要約: キリティは化学や生物学において立体特異的な振る舞いを管理する基本的な分子特性である。 ChiDeKは分子表現学習にステレオジェニック情報を統合するフレームワークである。 ChiDeKは最先端のベースラインよりも大幅に改善されている。
• 参考スコア（独自算出の注目度）: 21.293956625903352
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Chirality is a fundamental molecular property that governs stereospecific behavior in chemistry and biology. Capturing chirality in machine learning models remains challenging due to the geometric complexity of stereochemical relationships and the limitations of traditional molecular representations that often lack explicit stereochemical encoding. Existing approaches to chiral molecular representation primarily focus on central chirality, relying on handcrafted stereochemical tags or limited 3D encodings, and thus fail to generalize to more complex forms such as axial chirality. In this work, we introduce ChiDeK (Chiral Determinant Kernels), a framework that systematically integrates stereogenic information into molecular representation learning. We propose the chiral determinant kernel to encode the SE(3)-invariant chirality matrix and employ cross-attention to integrate stereochemical information from local chiral centers into the global molecular representation. This design enables explicit modeling of chiral-related features within a unified architecture, capable of jointly encoding central and axial chirality. To support the evaluation of axial chirality, we construct a new benchmark for electronic circular dichroism (ECD) and optical rotation (OR) prediction. Across four tasks, including R/S configuration classification, enantiomer ranking, ECD spectrum prediction, and OR prediction, ChiDeK achieves substantial improvements over state-of-the-art baselines, most notably yielding over 7% higher accuracy on axially chiral tasks on average.
• Abstract（参考訳）: キラル性は化学や生物学において立体特異的な振る舞いを管理する基本的な分子特性である。 機械学習モデルにおけるキラリティの獲得は、立体化学関係の幾何学的複雑さと、しばしば明示的な立体化学符号化を欠く伝統的な分子表現の限界のために、依然として困難である。 既存のキラル分子表現へのアプローチは、主に中心キラリティに焦点を当てており、手作りの立体化学タグや限られた3Dエンコーディングに依存しており、したがって軸方向キラリティのようなより複雑な形式に一般化することができない。 本稿では,分子表現学習にステレオジェニック情報を体系的に統合するフレームワークであるChiDeK(Chiral Determinant Kernels)を紹介する。 本研究では,SE(3)不変キラル性行列を符号化し,局所キラル中心からの立体化学情報をグローバルな分子表現に統合するためのキラル決定性カーネルを提案する。 この設計により、中央および軸方向のキラル性を共同で符号化できる統一アーキテクチャ内でのキラル関連特徴の明示的なモデリングが可能となる。 軸方向のキラリティの評価を支援するため,電子円二色性(ECD)と光回転(OR)予測のための新しいベンチマークを構築した。 R/S構成分類、エナンチオマーランキング、ECDスペクトル予測、OR予測を含む4つのタスクにおいて、ChiDeKは最先端のベースラインよりも大幅に改善されている。

関連論文リスト

• Dual-Axis RCCL: Representation-Complete Convergent Learning for Organic Chemical Space [5.782261680001994]
  本稿では,分子表現によって実現されるRCCL(Dual-Axis Representation-Complete Convergent Learning)戦略を紹介する。 このフレームワークは表現完全性を形式化し、収束学習をサポートする原則付きデータセット構築の基礎を確立する。 この結果は,分子表現,構造的完全性,モデル一般化の定量的リンクを確立し,解釈可能,伝達可能,およびデータ効率のよい分子インテリジェンスの基礎となる。
  論文  参考訳（メタデータ） (2025-12-16T14:05:58Z)
• MolSight: Optical Chemical Structure Recognition with SMILES Pretraining, Multi-Granularity Learning and Reinforcement Learning [47.029225594084345]
  MolSightは総合的な学習フレームワークで、3段階のトレーニングパラダイムを採用している。 我々は,MollSightが(ステレオ)化学光学構造認識における最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2025-11-21T15:11:47Z)
• Aligned Manifold Property and Topology Point Clouds for Learning Molecular Properties [55.2480439325792]
  この研究は、局所量子由来のスカラー場とカスタムトポロジカルディスクリプタを組み合わせた分子表面表現であるAMPTCRを導入する。 分子量については、AMPTCRが物理的に意味のあるデータをコードし、検証R2は0.87であることを確認した。 細菌抑制タスクでは、AMPTCRは大腸菌阻害値の分類と直接回帰の両方を可能にする。
  論文  参考訳（メタデータ） (2025-07-22T04:35:50Z)
• 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)
• E(3)-equivariant models cannot learn chirality: Field-based molecular generation [51.327048911864885]
  キラリティは薬物の安全性と効力性を決定する上で重要な役割を果たしている。 回転対称性の制約に取って代わる基準回転を提案する。 提案モデルでは、キラル性を含む全ての分子測地を捕捉するが、標準ベンチマーク指標のE(3)に基づく手法と高い競争性能を保っている。
  論文  参考訳（メタデータ） (2024-02-24T17:13:58Z)
• Empowering Machines to Think Like Chemists: Unveiling Molecular Structure-Polarity Relationships with Hierarchical Symbolic Regression [1.6986628849901197]
  階層型ニューラルネットワークとシンボル回帰を組み合わせた非教師付き階層型シンボル回帰(UHiSR)を導入する。 UHiSRは化学直観的な極性指数を自動的に蒸留し、分子構造とクロマトグラフィーの挙動を結びつける解釈可能な方程式を発見する。
  論文  参考訳（メタデータ） (2024-01-25T02:48:44Z)
• Diffusion-Driven Generative Framework for Molecular Conformation Prediction [0.66567375919026]
  機械学習の急速な進歩は、この文脈における予測モデリングの精度に革命をもたらした。 本研究は,最先端な生成手法を提案する。 メソッドは原子を独立した実体とみなし、拡散の逆転を導くのに優れている。
  論文  参考訳（メタデータ） (2023-12-22T11:49:39Z)
• Towards Predicting Equilibrium Distributions for Molecular Systems with Deep Learning [60.02391969049972]
  本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。 DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
  論文  参考訳（メタデータ） (2023-06-08T17:12:08Z)
• Learning 3D Representations of Molecular Chirality with Invariance to Bond Rotations [2.17167311150369]
  3次元分子コンバータのねじれ角を処理するSE(3)不変モデルを設計する。 本研究では, 学習空間における異なる立体異性体のコンホメータを識別するコントラスト学習, キラル中心をR/Sに分類する学習, エンテロマーが円偏光でどのように回転するかの予測, タンパクポケット内のドッキングスコアによるエナンチオマーのランキングの4つのベンチマークを用いて実験を行った。
  論文  参考訳（メタデータ） (2021-10-08T21:25:47Z)

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。