論文の概要: ChemFlow:A Hierarchical Neural Network for Multiscale Representation Learning in Chemical Mixtures
- arxiv url: http://arxiv.org/abs/2603.02810v1
- Date: Tue, 03 Mar 2026 09:54:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-04 21:38:10.745547
- Title: ChemFlow:A Hierarchical Neural Network for Multiscale Representation Learning in Chemical Mixtures
- Title（参考訳）: ChemFlow:化学物質のマルチスケール表現学習のための階層型ニューラルネットワーク
- Authors: Jinming Fan, Chao Qian, Wilhelm T. S. Huck, William E. Robinson, Shaodong Zhou,
- Abstract要約: ChemFlowは、原子、官能基、分子レベルの機能を統合した新しい階層型フレームワークである。
ChemFlowは濃度依存特性の予測に優れ、最先端モデルよりも大幅に優れている。
- 参考スコア（独自算出の注目度）: 10.457130454437696
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate prediction of the physicochemical properties of molecular mixtures using graph neural networks remains a significant challenge, as it requires simultaneous embedding of intramolecular interactions while accounting for mixture composition (i.e., concentrations and ratios). Existing approaches are ill-equipped to emulate realistic mixture environments, where densely coupled interactions propagate across hierarchical levels - from atoms and functional groups to entire molecules - and where cross-level information exchange is continuously modulated by composition. To bridge the gap between isolated molecules and realistic chemical environments, we present ChemFlow, a novel hierarchical framework that integrates atomic, functional group, and molecular-level features, facilitating information flow across these levels to predict the behavior of complex chemical mixtures. ChemFlow employs an atomic-level feature fusion module, Chem-embed, to generate context-aware atomic representations influenced by the mixture state and atomic characteristics. Next, bidirectional group-to-molecule and molecule-to-group attention mechanisms enable ChemFlow to capture functional group interactions both within and across molecules in the mixture. By dynamically adjusting representations based on concentration and composition, ChemFlow excels at predicting concentration-dependent properties and significantly outperforms state-of-the-art models in both concentration-sensitive and concentration-independent systems. Extensive experiments demonstrate ChemFlow's superior accuracy and efficiency in modeling complex chemical mixtures.
- Abstract（参考訳）: グラフニューラルネットワークを用いた分子混合物の物理化学的性質の正確な予測は、混合物組成(濃度と比)を考慮に入れながら分子内相互作用の同時埋め込みを必要とするため、重要な課題である。
既存のアプローチでは、原子や官能基から分子全体に至るまで、密結合された相互作用が階層的なレベルにわたって伝播し、構成によってクロスレベル情報交換が継続的に変調される現実的な混合環境をエミュレートすることができない。
分離された分子と現実的な化学環境のギャップを埋めるために,原子,官能基,分子レベルの特徴を統合する新しい階層的なフレームワークであるChemFlowを紹介した。
ChemFlowは、原子レベルの特徴融合モジュールであるChem-embedを使用して、混合状態と原子特性の影響を受けやすい原子表現を生成する。
次に、双方向のグループ・ツー・分子間アテンション機構と分子・ツー・グループアテンション機構により、ChemFlowは混合物中の分子内および分子間の機能的グループ相互作用を捉えることができる。
濃度と組成に基づく表現を動的に調整することにより、ChemFlowは濃度依存特性の予測に優れ、濃度依存系と濃度非依存系のいずれにおいても最先端モデルよりも大幅に優れる。
大規模な実験では、複雑な化学混合物のモデリングにおいて、ChemFlowの精度と効率が優れていることを示した。
関連論文リスト
- Learning Hierarchical Interaction for Accurate Molecular Property Prediction [8.488251667425887]
Hierarchical Interaction Message Net (HimNet)は、ADMETプロファイルを予測するための新しいディープラーニングモデルである。
HimNetは、ほとんどの分子特性予測タスクにおいて、最高の、または最も近いパフォーマンスを達成する。
HimNetは、分子活性とADMET特性予測のための正確で効率的なソリューションであると考えています。
論文 参考訳（メタデータ） (2025-04-28T15:19:28Z) - Towards Environment-Sensitive Molecular Inference via Mixed Integer Linear Programming [5.763661159910719]
複数分子と実験条件の組み合わせが特性値に与える影響を捉えることができる新しいQSAR/QSPRフレームワークを提案する。
複数の分子と環境の情報を統合する特徴関数を設計する。
論文 参考訳（メタデータ） (2025-02-17T06:07:12Z) - 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) - A Gaussian Process Model for Ordinal Data with Applications to Chemoinformatics [0.0]
化学実験の結果を予測するための条件付きガウス過程モデルを提案する。
我々のモデルの新しい側面は、核がスケーリングパラメータを含み、化学空間の要素間の相関の強さを制御することである。
本稿では,化学発見の容易化と化合物の有効性に対する重要な特徴の同定のための遺伝的アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-05-16T11:18:32Z) - Exploiting Hierarchical Interactions for Protein Surface Learning [52.10066114039307]
本質的には、タンパク質表面のポテンシャル関数部位は、幾何学的特徴と化学的特徴の両方によって決定される。
本稿では,ディープラーニング技術,すなわち階層型化学・幾何学的特徴相互作用ネットワーク(HCGNet)に基づく原則的フレームワークを提案する。
提案手法は,現場予測タスクが2.3%,インタラクションマッチングタスクが3.2%,従来の最先端手法が2.3%向上した。
論文 参考訳（メタデータ） (2024-01-17T14:10:40Z) - Multi-channel learning for integrating structural hierarchies into context-dependent molecular representation [10.025809630976065]
本稿では,より堅牢で一般化可能な化学知識を学習する,新しい事前学習フレームワークを提案する。
提案手法は,種々の分子特性ベンチマークにおける競合性能を示す。
論文 参考訳（メタデータ） (2023-11-05T23:47:52Z) - 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) - Bi-level Contrastive Learning for Knowledge-Enhanced Molecule Representations [68.32093648671496]
分子に固有の二重レベル構造を考慮に入れたGODEを導入する。
分子は固有のグラフ構造を持ち、より広い分子知識グラフ内のノードとして機能する。
異なるグラフ構造上の2つのGNNを事前学習することにより、GODEは対応する知識グラフサブ構造と分子構造を効果的に融合させる。
論文 参考訳（メタデータ） (2023-06-02T15:49:45Z) - 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) - Exploring Chemical Space with Score-based Out-of-distribution Generation [57.15855198512551]
生成微分方程式(SDE)にアウト・オブ・ディストリビューション制御を組み込んだスコアベース拡散方式を提案する。
いくつかの新しい分子は現実世界の薬物の基本的な要件を満たしていないため、MOODは特性予測器からの勾配を利用して条件付き生成を行う。
我々はMOODがトレーニング分布を超えて化学空間を探索できることを実験的に検証し、既存の方法で見いだされた分子、そして元のトレーニングプールの上位0.01%までも生成できることを実証した。
論文 参考訳（メタデータ） (2022-06-06T06:17:11Z) - 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) - Federated Learning of Molecular Properties in a Heterogeneous Setting [79.00211946597845]
これらの課題に対処するために、フェデレーションヘテロジニアス分子学習を導入する。
フェデレートラーニングにより、エンドユーザは、独立したクライアント上に分散されたトレーニングデータを保存しながら、グローバルモデルを協調的に構築できる。
FedChemは、化学におけるAI改善のための新しいタイプのコラボレーションを可能にする必要がある。
論文 参考訳（メタデータ） (2021-09-15T12:49:13Z) - Flexible dual-branched message passing neural network for quantum
mechanical property prediction with molecular conformation [16.08677447593939]
メッセージパッシングフレームワークに基づく分子特性予測のための二重分岐ニューラルネットワークを提案する。
本モデルでは,様々なスケールで異種分子の特徴を学習し,予測対象に応じて柔軟に学習する。
論文 参考訳（メタデータ） (2021-06-14T10:00:39Z)
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。