論文の概要: Molecular Representations for AI in Chemistry and Materials Science: An NLP Perspective
- arxiv url: http://arxiv.org/abs/2603.05525v1
- Date: Tue, 24 Feb 2026 09:43:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-15 16:38:22.380099
- Title: Molecular Representations for AI in Chemistry and Materials Science: An NLP Perspective
- Title（参考訳）: 化学・材料科学におけるAIの分子表現--NLPの視点から
- Authors: Sanjanasri JP, Pratiti Bhadra, N. Sukumar, Soman KP,
- Abstract要約: 本稿では、自然言語処理(NLP)にインスパイアされた、最も人気のあるデジタル分子表現について述べる。
さらに、これらの表現を使用する注目すべきAIベースのアプリケーションについても論じる。
- 参考スコア（独自算出の注目度）: 1.802433252623283
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning, a subfield of machine learning, has gained importance in various application areas in recent years. Its growing popularity has led it to enter the natural sciences as well. This has created the need for molecular representations that are both machine-readable and understandable to scientists from different fields. Over the years, many chemical molecular representations have been constructed, and new ones continue to be developed as computer technology advances and knowledge of molecular complexity increases. This paper presents some of the most popular digital molecular representations inspired by natural language processing (NLP) and used in chemical informatics. In addition, the paper discusses some notable AI-based applications that use these representations. This paper aims to provide a guide to structural representations that are important for the application of AI in chemistry and materials science from the perspective of an NLP researcher. This review is a reference tool for researchers with little experience working with chemical representations who wish to work on projects at the interface of these fields.
- Abstract（参考訳）: 近年、機械学習のサブフィールドであるディープラーニングは、様々な応用分野において重要になっている。
その人気が高まり、自然科学にも参入した。
これにより、異なる分野の科学者にとって機械可読性と理解可能な分子表現の必要性が生まれてきた。
長年にわたり、多くの化学分子表現が構築され、コンピュータ技術の進歩と分子の複雑さに関する知識が増大するにつれて、新しい分子表現が開発され続けている。
本稿では、自然言語処理(NLP)にインスパイアされ、化学情報学に使用される最も一般的なデジタル分子表現について述べる。
さらに、これらの表現を使用する注目すべきAIベースのアプリケーションについても論じる。
本稿では,NLP研究者の視点から,AIを化学・材料科学に適用する上で重要な構造表現のガイドを提供する。
このレビューは、これらの分野のインターフェースでプロジェクトに取り組むことを望む化学表現をほとんど経験していない研究者のためのリファレンスツールである。
関連論文リスト
- $\text{M}^{2}$LLM: Multi-view Molecular Representation Learning with Large Language Models [59.125833618091846]
分子構造ビュー,分子タスクビュー,分子規則ビューの3つの視点を統合した多視点フレームワークを提案する。
実験によると、$textM2$LLMは、分類タスクと回帰タスクをまたいだ複数のベンチマークで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-08-12T05:46:47Z) - Mol-LLaMA: Towards General Understanding of Molecules in Large Molecular Language Model [52.84455878597969]
Mol-LLaMAは、分子を中心とした一般的な知識を把握した大きな分子言語モデルである。
分子理解を改善するために,分子エンコーダの相補的な情報を統合するモジュールを提案する。
論文 参考訳（メタデータ） (2025-02-19T05:49:10Z) - Advancements in Molecular Property Prediction: A Survey of Single and Multimodal Approaches [1.0446041735532203]
分子特性予測(MPP)は、薬物発見、物質科学、環境化学など様々な分野において重要な役割を担っている。
近年、化学データの指数的な成長と人工知能の進化によって、MPPの顕著な進歩が見られた。
本稿では,MPPにおける最近のAI/ベースアプローチについて考察する。
論文 参考訳（メタデータ） (2024-08-18T12:49:52Z) - Learning Multi-view Molecular Representations with Structured and Unstructured Knowledge [14.08112359246334]
本稿では, 化学構造から多視点分子知識を抽出する表現学習モデルMV-Mol, バイオメディカルテキストからの非構造化知識, 知識グラフからの構造化知識について述べる。
MV-Molは分子特性予測に有効であることを示す。
論文 参考訳（メタデータ） (2024-06-14T08:48:10Z) - Bridging Text and Molecule: A Survey on Multimodal Frameworks for Molecule [16.641797535842752]
本稿では,分子研究のためのマルチモーダルフレームワークに関する最初の体系的研究について述べる。
分子深層学習の発展から始まり、テキストモダリティの関与の必要性を指摘する。
さらに, 大規模言語モデルの利用, 分子課題の促進, 創薬における重要な応用について検討した。
論文 参考訳（メタデータ） (2024-03-07T03:03:13Z) - Interactive Molecular Discovery with Natural Language [69.89287960545903]
対象分子を記述・編集するための自然言語を用いた対話型分子設計を提案する。
この課題をより良くするために、実験プロパティ情報を注入することによって強化された知識的で汎用的な生成事前学習モデルChatMolを設計する。
論文 参考訳（メタデータ） (2023-06-21T02:05:48Z) - A Molecular Multimodal Foundation Model Associating Molecule Graphs with
Natural Language [63.60376252491507]
本稿では,分子グラフとその意味的関連テキストデータから事前学習した分子マルチモーダル基礎モデルを提案する。
我々のモデルは、生物学、化学、材料、環境、医学などの分野において、AIを動力とする分野に幅広い影響を与えるだろうと考えています。
論文 参考訳（メタデータ） (2022-09-12T00:56:57Z) - Graph-based Molecular Representation Learning [59.06193431883431]
分子表現学習(MRL)は、機械学習と化学科学を結びつけるための重要なステップである。
近年、MRLは、特に深層分子グラフ学習に基づく手法において、かなりの進歩を遂げている。
論文 参考訳（メタデータ） (2022-07-08T17:43:20Z) - SELFIES and the future of molecular string representations [10.432680476376595]
将来を考察し、分子列表現とそれらの機会と課題について論じる。
文字列は分子グラフを表現する一般的なツールであり、最も一般的な分子文字列表現であるSMILESは1980年代後半から化学情報学を駆使している。
100%堅牢性を保証する新しい分子の言語SELFIESが2020年に導入された。
論文 参考訳（メタデータ） (2022-03-31T19:39:20Z)
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。