論文の概要: MolSight: Molecular Property Prediction with Images

• arxiv url: http://arxiv.org/abs/2605.10157v1
• Date: Mon, 11 May 2026 08:05:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.625228
• Title: MolSight: Molecular Property Prediction with Images
• Title（参考訳）: MolSight:画像による分子特性予測
• Authors: Aaditya Baranwal, Akshaj Gupta, Shruti Vyas, Yogesh S Rawat,
• Abstract要約: $textbfMolSight$は視覚に基づく分子特性予測に関する最初の大規模研究である。 物理確率回帰、薬物発見分類、量子化学予測にまたがる10の下流タスクのパフォーマンスを評価する。 視覚エンコーダによって処理された1つの結合線画像は、競合する分子特性の予測に十分であることを示す。
• 参考スコア（独自算出の注目度）: 22.477667611146998
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Every molecule ever synthesised can be drawn as a 2D skeletal diagram, yet in modern property prediction this universally available representation has received less focus in favour of molecular graphs, 3D conformers, or billion-parameter language models, each imposing its own computational and data-engineering overhead. We present $\textbf{MolSight}$, the first systematic large-scale study of vision-based Molecular Property Prediction (MPP). Using 10 vision architectures, 7 pre-training strategies, and $2\,M$ molecule images, we evaluate performance across 10 downstream tasks spanning physical-property regression, drug-discovery classification, and quantum-chemistry prediction. To account for the wide variation in structural complexity across pre-training molecules, we further propose a $\textbf{chemistry-informed curriculum}$: five structural complexity descriptors partition the corpus into five tiers of increasing chemical difficulty, consistently outperforming non-curriculum baselines. We show that a single rendered bond-line image, processed by a vision encoder, is sufficient for competitive molecular property prediction, i.e. $\textit{chemical insight from sight alone}$. The best curriculum-trained configuration achieves the top result on $\textbf{5 of 10}$ benchmarks and top two on $\textbf{all 10}$, at $\textbf{$\textit{80$\times$ lower}$}$ FLOPs than the nearest multi-modal competitor.
• Abstract（参考訳）: 合成された全ての分子は2次元骨格図として描くことができるが、現代の特性予測では、この普遍的に利用可能な表現は、分子グラフや3次元コンフォメータ、億パラメータ言語モデルにはあまり注目されず、それぞれが独自の計算とデータエンジニアリングのオーバーヘッドを課している。 我々は、視覚に基づく分子特性予測(MPP)に関する最初の体系的な大規模研究である$\textbf{MolSight}$を示す。 10の視覚アーキテクチャ、7つの事前学習戦略、および2,M$分子画像を用いて、物理確率回帰、薬物発見分類、量子化学予測にまたがる10の下流タスクのパフォーマンスを評価する。 5つの構造的複雑性記述子は、コーパスを化学的な困難を増す5つの層に分割し、一貫して非カリキュラムのベースラインを上回ります。 視覚エンコーダによって処理された単一の結合線画像は、競合する分子特性予測、すなわち$\textit{chemical insights from sight}$に十分であることを示す。 最高のカリキュラムで訓練された設定は、$\textbf{5 of 10}$ベンチマークで上位2、$\textbf{all 10}$で上位2、$\textbf{$\textit{80$\times$ lower}$で最寄りのマルチモーダルコンペティターよりも上位2である。

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)
• Pre-trained Molecular Language Models with Random Functional Group Masking [54.900360309677794]
  SMILESをベースとしたアンダーリネム分子アンダーリネム言語アンダーリネムモデルを提案し,特定の分子原子に対応するSMILESサブシーケンスをランダムにマスキングする。 この技術は、モデルに分子構造や特性をよりよく推測させ、予測能力を高めることを目的としている。
  論文  参考訳（メタデータ） (2024-11-03T01:56:15Z)
• $\nabla^2$DFT: A Universal Quantum Chemistry Dataset of Drug-Like Molecules and a Benchmark for Neural Network Potentials [35.949502493236146]
  この研究は、nablaDFTをベースにした$nabla2$DFTと呼ばれる新しいデータセットとベンチマークを提示している。 分子構造の2倍、コンフォーメーションの3倍、新しいデータタイプとタスク、最先端のモデルを含んでいる。 $nabla2$DFTは、大量の薬物様分子の緩和軌道を含む最初のデータセットである。
  論文  参考訳（メタデータ） (2024-06-20T14:14:59Z)
• 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)
• Chemical-Reaction-Aware Molecule Representation Learning [88.79052749877334]
  本稿では,化学反応を用いて分子表現の学習を支援することを提案する。 本手法は,1) 埋め込み空間を適切に整理し, 2) 分子埋め込みの一般化能力を向上させるために有効であることが証明された。 実験結果から,本手法は様々なダウンストリームタスクにおける最先端性能を実現することが示された。
  論文  参考訳（メタデータ） (2021-09-21T00:08:43Z)
• Do Large Scale Molecular Language Representations Capture Important Structural Information? [31.76876206167457]
  本稿では,MoLFormerと呼ばれる効率的なトランスフォーマーエンコーダモデルのトレーニングにより得られた分子埋め込みについて述べる。 実験の結果,グラフベースおよび指紋ベースによる教師付き学習ベースラインと比較して,学習された分子表現が競合的に機能することが確認された。
  論文  参考訳（メタデータ） (2021-06-17T14:33:55Z)
• Self-Supervised Graph Transformer on Large-Scale Molecular Data [73.3448373618865]
  分子表現学習のための新しいフレームワークGROVERを提案する。 GROVERは、分子の豊富な構造的および意味的な情報を、巨大な未標識分子データから学習することができる。 分子表現学習において、最大のGNNであり、最大のトレーニングデータセットである、1000万個の未標識分子に1億のパラメータを持つGROVERを事前訓練します。
  論文  参考訳（メタデータ） (2020-06-18T08:37:04Z)

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。