Fugu-MT 論文翻訳(概要): Quantum-Inspired Hamiltonian Feature Extraction for ADMET Prediction: A Simulation Study

論文の概要: Quantum-Inspired Hamiltonian Feature Extraction for ADMET Prediction: A Simulation Study

arxiv url: http://arxiv.org/abs/2603.03109v1
Date: Tue, 03 Mar 2026 15:42:33 GMT
ステータス: 翻訳完了
システム内更新日: 2026-03-04 21:38:10.866433
Title: Quantum-Inspired Hamiltonian Feature Extraction for ADMET Prediction: A Simulation Study
Title（参考訳）: ADMET予測のための量子インスパイアされたハミルトン特徴抽出:シミュレーションによる研究
Authors: B. Maurice Benson, Kendall Byler, Anna Petroff, Shahar Keinan, William J Shipman,
Abstract要約: 分子指紋をパラメータ化ハミルトンに符号化する量子インスパイアされた特徴抽出法を提案する。 Therapeutic Data Commons (TDC) ADMETベンチマークにおいて,本手法は最先端の性能を実現する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Predicting absorption, distribution, metabolism, excretion, and toxicity (ADMET) properties remains a critical bottleneck in drug discovery. While molecular fingerprints effectively capture local structural features, they struggle to represent higher-order correlations among molecular substructures. We present a quantum-inspired feature extraction method that encodes molecular fingerprints into a parameterized Hamiltonian, using mutual information (MI) to guide entanglement structure. By simulating quantum evolution on GPU-accelerated backends, we extract expectation values that capture pairwise and triadic correlations among fingerprint bits. On ten Therapeutic Data Commons (TDC) ADMET benchmarks, our method achieves state-of-the-art performance on CYP3A4 substrate prediction (AUROC 0.673 0.004) and improves over classical baselines on 8/10 tasks. SHAP (SHapley Additive exPlanations) analysis reveals that quantum-derived features contribute up to 33% of model importance despite comprising only 1.6% of features, demonstrating that Hamiltonian encoding concentrates predictive signal. This simulation study establishes the foundation for hardware validation on near-term quantum devices.
Abstract（参考訳）: 吸収、分布、代謝、排ガス、毒性(ADMET)の予測は、薬物発見において重要なボトルネックとなっている。分子指紋は局所的な構造的特徴を効果的に捉えるが、分子サブ構造の間の高次相関を表現するのに苦労する。本稿では,分子指紋をパラメータ化ハミルトンに符号化し,相互情報(MI)を用いて絡み合い構造を導出する量子インスピレーション型特徴抽出法を提案する。 GPU加速バックエンド上での量子進化をシミュレートすることにより、指紋ビット間の対関係と三進相関を捉える期待値を抽出する。 Therapeutic Data Commons (TDC) ADMETベンチマークでは、CYP3A4基板予測(AUROC 0.673 0.004)の最先端性能を実現し、8/10タスクの古典的ベースラインよりも改善する。 SHAP (SHapley Additive exPlanations) 分析により、ハミルトン符号化が予測信号に集中していることが示され、わずか1.6%の機能を含むにもかかわらず、量子由来の特徴が33%のモデルの重要性に寄与していることが明らかになった。このシミュレーション研究は、短期量子デバイスにおけるハードウェア検証の基礎を確立する。

関連論文リスト

Pearl: A Foundation Model for Placing Every Atom in the Right Location [52.35027831422145]
タンパク質-リガンド共フォールディングの基礎モデルであるPearlを紹介した。パールはタンパク質-リガンド結合における新しい最先端性能を確立している。 Pearlは、パブリックなRuns N' PosesとPoseBustersベンチマークでAlphaFold 3や他のオープンソースベースラインを上回っている。
論文参考訳（メタデータ） (2025-10-28T17:36:51Z)
Composable Score-based Graph Diffusion Model for Multi-Conditional Molecular Generation [85.58520120011269]
本研究では,具体的スコアを用いてスコアマッチングを離散グラフに拡張するComposable Score-based Graph Diffusion Model (CSGD)を提案する。 CSGDは従来の手法よりも平均15.3%の制御性向上を実現していることを示す。本研究は, 離散グラフ生成におけるスコアベースモデリングの実用的利点と, フレキシブルでマルチプロパタイトな分子設計のためのキャパシティを強調した。
論文参考訳（メタデータ） (2025-09-11T13:37:56Z)
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)
Structure-Aware Compound-Protein Affinity Prediction via Graph Neural Network with Group Lasso Regularization [11.87029706744257]
化合物タンパク質親和性を予測するためにグラフニューラルネットワーク(GNN)を実装したフレームワークを提案する。我々は、グループラッソとスパースグループラッソカラー化正規化を用いて、構造認識損失関数を持つGNNを訓練する。提案手法は,共通ノード情報と非共通ノード情報をスパースグループラッソに統合することにより,特性予測を改善した。
論文参考訳（メタデータ） (2025-07-04T06:12:18Z)
Pure Component Property Estimation Framework Using Explainable Machine Learning Methods [4.8601239628666635]
結合行列に基づく分子表現法は、原子結合関係を効果的に考慮し、特徴を自動生成する。ニューラルネットワークとガウス過程回帰モデルを用いて, 通常の沸点 (Tb), 液体モル体積, 臨界温度 (Tc) および臨界圧力 (Pc) の予測結果を得た。モデルの解釈可能性を高めるために,Shapley値に基づく特徴解析手法を用いて特性予測への各特徴の寄与を決定する。
論文参考訳（メタデータ） (2025-05-14T20:21:23Z)
HCAF-DTA: drug-target binding affinity prediction with cross-attention fused hypergraph neural networks [0.6906005491572401]
本稿では,クロスアテンション融合ハイパーグラフニューラルネットワークを用いた薬物関連予測モデルを提案する。予測段階では、分子間相互作用をモデル化するために、双方向の多頭部クロスアテンション機構が設計されている。ベンチマークデータセットの実験では、HCAF-DTAは3つのパフォーマンス評価指標すべてで芸術の状態を上回ります。
論文参考訳（メタデータ） (2025-04-02T06:46:28Z)
Equivariant Masked Position Prediction for Efficient Molecular Representation [6.761418610103767]
グラフニューラルネットワーク(GNN)は、計算化学においてかなりの可能性を示している。 Equivariant Masked Position Prediction と呼ばれる新しい自己教師型アプローチを導入する。 EMPPは、より明確に定義され、量子力学的特徴の学習を強化するニュアンスされた位置予測タスクを定式化する。
論文参考訳（メタデータ） (2025-02-12T08:39:26Z)
SE(3)-Invariant Multiparameter Persistent Homology for Chiral-Sensitive Molecular Property Prediction [1.534667887016089]
多パラメータ持続ホモロジー(MPPH)を用いた新しい分子指紋生成法を提案する。この技術は、正確な分子特性予測が不可欠である薬物発見と材料科学において、かなりの重要性を持っている。分子特性の予測における既存の最先端手法よりも優れた性能を示し,MoleculeNetベンチマークで広範囲な評価を行った。
論文参考訳（メタデータ） (2023-12-12T09:33:54Z)
Neural network enhanced measurement efficiency for molecular groundstates [63.36515347329037]
いくつかの分子量子ハミルトニアンの複雑な基底状態波動関数を学習するために、一般的なニューラルネットワークモデルを適用する。ニューラルネットワークモデルを使用することで、単一コピー計測結果だけで観測対象を再構築するよりも堅牢な改善が得られます。
論文参考訳（メタデータ） (2022-06-30T17:45:05Z)
Pre-training via Denoising for Molecular Property Prediction [53.409242538744444]
本稿では,3次元分子構造の大規模データセットを平衡に利用した事前学習手法について述べる。近年のノイズレギュラー化の進展に触発されて, 事前学習の目的は, 雑音の除去に基づくものである。
論文参考訳（メタデータ） (2022-05-31T22:28:34Z)
Improved Drug-target Interaction Prediction with Intermolecular Graph Transformer [98.8319016075089]
本稿では,3方向トランスフォーマーアーキテクチャを用いて分子間情報をモデル化する手法を提案する。分子間グラフ変換器(IGT)は、それぞれ、結合活性と結合ポーズ予測の2番目のベストに対して、最先端のアプローチを9.1%と20.5%で上回っている。 IGTはSARS-CoV-2に対して有望な薬物スクリーニング能力を示す。
論文参考訳（メタデータ） (2021-10-14T13:28:02Z)

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。