Fugu-MT 論文翻訳(概要): Structural Hierarchy and Geometry in Molecular Representation Learning

論文の概要: Structural Hierarchy and Geometry in Molecular Representation Learning

arxiv url: http://arxiv.org/abs/2608.29886v1
Date: Sun, 30 Aug 2026 16:34:17 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-01 18:31:31.096883
Title: Structural Hierarchy and Geometry in Molecular Representation Learning
Title（参考訳）: 分子表現学習における構造階層と幾何学
Abstract要約: 分子のBemis-Murcko足場を明示的にコードし、それを分子の埋め込みがモデルが学習するものを変えるのを監督するかどうかを調べた。 2つの強化強度の中で、足場を監督するモデルは、同一および構造的に関連付けられた足場の両方に応じて一貫して分子を編成する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Molecular self-supervised learning uses chemical structures to guide which molecular embeddings should be similar. We study whether explicitly encoding a molecule's Bemis-Murcko scaffold and using it to supervise the molecular embedding changes what the model learns. We further test whether this effect depends on the embedding geometry by comparing Euclidean and Lorentz contrastive objectives. Across two augmentation strengths, scaffold-supervised models consistently organize molecules according to both identical and structurally related scaffolds. The resulting embeddings also improve molecular property prediction on several tasks, while the exact gains depend on the predicted property. The effect of scaffold supervision on molecular organization is stronger under Lorentz objectives, but neither geometry provides a consistent overall advantage. These results show that explicitly teaching the relation between a molecule and its structural core can reliably shape the organization of molecular embedding space, while the extent of usefulness of this organization remains task dependent.
Abstract（参考訳）: 分子の自己制御学習は、どの分子の埋め込みが類似すべきかを導くために化学構造を用いる。分子のBemis-Murcko足場を明示的にコードし、それを分子の埋め込みがモデルが学習するものを変えるのを監督するかどうかを調べた。さらに、ユークリッドとローレンツの対照的な目的を比較することにより、この効果が埋め込み幾何学に依存するかどうかを検証する。 2つの強化強度の中で、足場を監督するモデルは、同一および構造的に関連付けられた足場の両方に応じて一貫して分子を編成する。結果として生じる埋め込みにより、いくつかのタスクにおける分子特性の予測が向上する一方、正確なゲインは予測された特性に依存する。分子構造に対する足場監督の効果はローレンツの目的の下では強いが、どちらの幾何学も一貫した全体的な優位性を与えていない。これらの結果は、分子と構造コアの関係を明示的に教えることによって、分子の埋め込み空間の組織を確実に形成することができる一方で、この組織の有用性の程度はタスク依存のままであることを示している。

関連論文リスト

Do LLMs Truly Generalize in the Molecular Domain? A Perturbation-Based Analysis [35.63799709687231]
制御されたグラフ編集距離(GED)下でのトレーニング分子の構造変化を生成する分子摂動フレームワークを提案する。分析の結果,1回の編集でも共通な分子課題に顕著な性能低下が生じ,局所信頼領域が狭く,構造変化に対する脆弱な感受性が明らかとなった。また,制御構造摂動下でICTが頑健性を示すかどうかについても検討した。
論文参考訳（メタデータ） (2026-07-02T07:16:28Z)
Molecular Representations in Implicit Functional Space via Hyper-Networks [53.70982267248536]
分子学習は関数空間における学習として定式化することができる。分子場上の分布を学習するハイパーネットワークベースのフレームワークであるMollFieldを用いて、この定式化をインスタンス化する。分子を連続関数として扱うことは、分子表現がタスク全体にわたって一般化する方法を根本的に変えることを示す。
論文参考訳（メタデータ） (2026-01-29T21:13:37Z)
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)
$\text{M}^{2}$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)
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)
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)
Shift-Robust Molecular Relational Learning with Causal Substructure [5.319553007291377]
分子関係学習における分布シフトに頑健なCMRLを提案する。まず、分子科学の分野知識に基づいて因果関係を仮定し、変数間の関係を明らかにする構造因果モデル(SCM)を構築する。本モデルは, 因果的部分構造から学習し, 化学反応と突発的に相関する短絡的部分構造の共役効果を緩和する。
論文参考訳（メタデータ） (2023-05-29T04:02:10Z)
An Equivariant Generative Framework for Molecular Graph-Structure Co-Design [54.92529253182004]
分子グラフ構造アンダーラインCo設計のための機械学習ベースの生成フレームワークであるMollCodeを提案する。 MolCodeでは、3D幾何情報によって分子2Dグラフの生成が促進され、それによって分子3D構造の予測が導かれる。分子設計における2次元トポロジーと3次元幾何は本質的に相補的な情報を含んでいることが明らかとなった。
論文参考訳（メタデータ） (2023-04-12T13:34:22Z)
Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
論文参考訳（メタデータ） (2023-02-04T01:32:40Z)
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)
Scaffold Embeddings: Learning the Structure Spanned by Chemical Fragments, Scaffolds and Compounds [0.41988513388760185]
分子が足場クラスをどのように形成するか、どのように足場がハイパーグラフに関連しているか、そして足場の構造が薬品の発見にどのように自然かを示す。それぞれの距離誘導指標のような分子の様々な埋め込みの仮定と有用性を比較した。
論文参考訳（メタデータ） (2021-03-11T18:54:12Z)

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。