論文の概要: Enhancing Molecular Property Predictions by Learning from Bond Modelling and Interactions
- arxiv url: http://arxiv.org/abs/2603.00568v1
- Date: Sat, 28 Feb 2026 09:36:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-03 19:50:56.264549
- Title: Enhancing Molecular Property Predictions by Learning from Bond Modelling and Interactions
- Title（参考訳）: 結合モデルと相互作用からの学習による分子特性予測の強化
- Authors: Yunqing Liu, Yi Zhou, Wenqi Fan,
- Abstract要約: 原子中心表現学習のためのデュアルグラフフレームワークである textbfDeMol を紹介する。
DeMolは、並列原子中心および結合中心チャネルを通じて分子を明示的にモデル化する。
既存のメソッドよりも優れた、最先端の新たな方法を確立します。
- 参考スコア（独自算出の注目度）: 18.371474900925865
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Molecule representation learning is crucial for understanding and predicting molecular properties. However, conventional atom-centric models, which treat chemical bonds merely as pairwise interactions, often overlook complex bond-level phenomena like resonance and stereoselectivity. This oversight limits their predictive accuracy for nuanced chemical behaviors. To address this limitation, we introduce \textbf{DeMol}, a dual-graph framework whose architecture is motivated by a rigorous information-theoretic analysis demonstrating the information gain from a bond-centric perspective. DeMol explicitly models molecules through parallel atom-centric and bond-centric channels. These are synergistically fused by multi-scale Double-Helix Blocks designed to learn intricate atom-atom, atom-bond, and bond-bond interactions. The framework's geometric consistency is further enhanced by a regularization term based on covalent radii to enforce chemically plausible structures. Comprehensive evaluations on diverse benchmarks, including PCQM4Mv2, OC20 IS2RE, QM9, and MoleculeNet, show that DeMol establishes a new state-of-the-art, outperforming existing methods. These results confirm the superiority of explicitly modelling bond information and interactions, paving the way for more robust and accurate molecular machine learning.
- Abstract（参考訳）: 分子表現学習は分子特性の理解と予測に不可欠である。
しかしながら、化学結合を対の相互作用として扱う従来の原子中心モデルは、しばしば共鳴や立体選択性のような複雑な結合レベル現象を見落としている。
これにより、化学の微妙な振る舞いの予測精度が制限される。
この制限に対処するため、結合中心の観点からの情報ゲインを示す厳密な情報理論解析によってアーキテクチャを動機づけた二重グラフフレームワークである「textbf{DeMol}」を紹介した。
DeMolは、並列原子中心および結合中心チャネルを通じて分子を明示的にモデル化する。
これらは、複雑な原子-原子、原子-結合、結合-結合相互作用を学ぶために設計されたマルチスケールのダブルヘリックスブロックによって相乗的に融合される。
フレームワークの幾何的整合性は、化学的に可塑性構造を強制する共有ラジカルに基づく正則化項によってさらに強化される。
PCQM4Mv2、OC20 IS2RE、QM9、MolleculeNetなどの様々なベンチマークに関する総合的な評価は、DeMolが既存の手法よりも優れた新しい最先端の方法を確立していることを示している。
これらの結果は、結合情報と相互作用を明示的にモデル化することの優位性を確認し、より堅牢で正確な分子機械学習への道を開いた。
関連論文リスト
- Mamba-driven multi-perspective structural understanding for molecular ground-state conformation prediction [69.32436472760712]
本稿では,マンバ駆動型多面的構造理解(MPSU-Mamba)による分子基底状態の局在化手法を提案する。
複雑で多様な分子に対しては、対応する分子構造の包括的認識を構築するために、3種類の専用の走査戦略が検討されている。
QM9 と Molecule3D データセットの実験結果から,MPSU-Mamba が既存の手法よりも優れていたことが示唆された。
論文 参考訳（メタデータ） (2025-11-10T11:18:32Z) - 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) - FragNet: A Graph Neural Network for Molecular Property Prediction with Four Levels of Interpretability [0.7499722271664147]
本稿では,主要なモデルにマッチするグラフニューラルネットワークを提案し,分子サブストラクチャの4つのレベルについて考察する。
このモデルは、特定の分子特性を予測する上で、どの原子、結合、分子フラグメント、およびフラグメント間の接続が重要であるかを特定するのに役立つ。
論文 参考訳（メタデータ） (2024-10-16T01:37:01Z) - Response Matching for generating materials and molecules [0.0]
本稿では、応答マッチング(RM)と呼ばれる新しい生成手法を提案する。
RMは原子間相互作用の局所性を利用しており、本質的には置換、翻訳、回転、周期的不変性を尊重している。
3つのシステムにわたるRMの効率性と一般化を実証する。
論文 参考訳（メタデータ） (2024-05-15T03:08:21Z) - Atom-Motif Contrastive Transformer for Molecular Property Prediction [68.85399466928976]
グラフトランス (GT) モデルは分子特性予測 (MPP) のタスクで広く利用されている。
本稿では,原子レベルの相互作用を探索し,モチーフレベルの相互作用を考慮した新しいAtom-Motif Contrastive Transformer(AMCT)を提案する。
提案したAMCTは,7つの一般的なベンチマークデータセットに対して広範囲に評価され,定量的および定性的な結果の両方が有効であることを示す。
論文 参考訳（メタデータ） (2023-10-11T10:03:10Z) - Cavity-Born-Oppenheimer Hartree-Fock Ansatz: Light-matter Properties of
Strongly Coupled Molecular Ensembles [0.0]
ボルン・オッペンハイマー近似のキャビティの枠組みに,ab-initio Hartree-Fock ansatzを提出した。
強結合二原子フッ化水素分子のアンサンブルにおける集合効果について検討した。
論文 参考訳（メタデータ） (2023-07-05T11:20:24Z) - Modeling Non-Covalent Interatomic Interactions on a Photonic Quantum
Computer [50.24983453990065]
我々は、cQDOモデルがフォトニック量子コンピュータ上でのシミュレーションに自然に役立っていることを示す。
我々は、XanaduのStrawberry Fieldsフォトニクスライブラリを利用して、二原子系の結合エネルギー曲線を計算する。
興味深いことに、2つの結合したボソニックQDOは安定な結合を示す。
論文 参考訳（メタデータ） (2023-06-14T14:44:12Z) - Atomic and Subgraph-aware Bilateral Aggregation for Molecular
Representation Learning [57.670845619155195]
我々は、原子とサブグラフを意識したバイラテラルアグリゲーション(ASBA)と呼ばれる分子表現学習の新しいモデルを導入する。
ASBAは、両方の種類の情報を統合することで、以前の原子単位とサブグラフ単位のモデルの限界に対処する。
本手法は,分子特性予測のための表現をより包括的に学習する方法を提供する。
論文 参考訳（メタデータ） (2023-05-22T00:56:00Z) - GEM-2: Next Generation Molecular Property Prediction Network with
Many-body and Full-range Interaction Modeling [24.94616336296936]
GEM-2は分子のシュリンガー方程式を解く新しい方法である。
それは分子の長距離と多体相互作用の両方を考慮する。
論文 参考訳（メタデータ） (2022-08-11T15:12:25Z)
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。