論文の概要: GraphNOSE: A Graph Transformer in Olfaction

• arxiv url: http://arxiv.org/abs/2609.05694v1
• Date: Fri, 04 Sep 2026 20:02:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.108272
• Title: GraphNOSE: A Graph Transformer in Olfaction
• Title（参考訳）: GraphNOSE:Olfactionのグラフトランスフォーマー
• Abstract要約: 我々は、単一分子と二成分混合物から匂い記述子を予測するオープンソースのグラフトランスフォーマーフレームワークGraphNOSEを紹介する。 トランスフォーマーベースのグラフアーキテクチャに位置エンコーディングと構造エンコーディングを統合することで、GraphNOSEは標準グラフニューラルネットワーク(GNN)ベースラインの6倍のパラメータで強力なパフォーマンスを実現する。 我々はXAIを用いて、どのサブ構造と分子的特徴が匂いを予測するかを特定し、化学直観と整合した洞察を与え、モデルの学習された表現に基礎を置く。
• 参考スコア（独自算出の注目度）: 0.6844190991622391
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting olfactory qualities from molecular structure is an open problem in chemoinformatics. Although linear models can link molecular features to odor descriptors, they often fail when extrapolating to novel chemical scaffolds, extreme molecular weights, or complex odor mixtures. To address this, we introduce GraphNOSE, an open-source graph transformer framework that predicts multi-label odor descriptors from simplified molecular-input line-entry system (SMILES) strings for single molecules and binary mixtures. By integrating positional and structural encodings within a transformer-based graph architecture, GraphNOSE achieves strong performance with six times fewer parameters than standard graph neural network (GNN) baseline while consistently outperforming linear models, molecular language model embeddings, molecular fingerprints, and baseline GNNs by an average area under the ROC curve (AUROC) margin of 4.52% (p < 0.01). GraphNOSE achieves an AUROC of 84% on out-of-distribution compounds (OODs). This exceeds the current state-of-the-art GNN for OOD in olfaction (Open-POM: 81%, p < 0.001), and identifies conditions under which linear models empirically fail. Finally, we apply XAI (explainable AI) methods to identify which substructures and molecular features drive odor predictions, yielding insights consistent with chemical intuition and grounded in the model's learned representations. Together, these results establish GraphNOSE as a scalable and interpretable architecture for olfactory prediction that generalizes to structurally distinct compounds underrepresented in current perceptual databases.
• Abstract（参考訳）: 分子構造から嗅覚の品質を予測することは、化学情報学におけるオープンな問題である。 線形モデルは分子の特徴を匂い記述子に結びつけることができるが、新しい化学的な足場、極端な分子量、複雑な匂いの混合物に外挿する際に失敗することが多い。 これを解決するために、単一分子と二成分混合物のための単純な分子インプットラインエントロシステム(SMILES)文字列からマルチラベルの匂い記述子を予測するオープンソースのグラフトランスフォーマフレームワークGraphNOSEを紹介する。 トランスフォーマーベースのグラフアーキテクチャに位置エンコーディングと構造エンコーディングを統合することにより、GraphNOSEは標準グラフニューラルネットワーク(GNN)ベースラインよりも6倍少ないパラメータで、線形モデル、分子言語モデル埋め込み、分子指紋、ベースラインGNNを、ROC曲線(AUROC)マージンの平均領域で4.52%(p < 0.01)で一貫した性能を達成する。 GraphNOSEは、オフ・オブ・ディストリビューション化合物(OOD)で84%のAUROCを達成する。 これは、OODにおける現在の最先端のGNN(Open-POM: 81%, p < 0.001)を超え、線形モデルが経験的に失敗する条件を特定する。 最後に、XAI(説明可能なAI)手法を適用し、どのサブ構造と分子的特徴が匂いを予測するかを特定し、化学直観と整合した洞察を与え、モデルの学習された表現に基礎を置く。 これらの結果は、GraphNOSEを、現在の知覚データベースで表現されていない構造的に異なる化合物に一般化する嗅覚予測のためのスケーラブルで解釈可能なアーキテクチャとして確立している。

関連論文リスト

• Combining Graph Neural Networks and Mixed Integer Linear Programming for Molecular Inference under the Two-Layered Model [6.107266553770076]
  我々は、GNNを学習手法として利用するmol-infer-GNN(mol-infer-GNN)に基づく分子推論フレームワークを開発する。 提案したGNNモデルでは,単純な構造であるにもかかわらず,いくつかの特性に対して満足度の高い学習性能が得られる。
  論文  参考訳（メタデータ） (2025-07-05T06:57:37Z)
• JTreeformer: Graph-Transformer via Latent-Diffusion Model for Molecular Generation [17.268526939713105]
  本稿では,グラフ生成を接合木生成に変換する際に,TextbfJTreeformerと呼ぶ,分子生成のためのグラフトランスフォーマーベースのフレームワークを構築することに焦点を当てる。 有向非環状GCNをグラフベースのトランスフォーマーに統合してデコーダとして機能し、各ステップで部分的に構築された分子構造からの情報を活用することで分子全体を反復的に合成することができる。
  論文  参考訳（メタデータ） (2025-04-29T13:51:07Z)
• 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)
• CTAGE: Curvature-Based Topology-Aware Graph Embedding for Learning Molecular Representations [11.12640831521393]
  分子グラフデータから構造的洞察を抽出するために,$k$hopの離散リッチ曲率を用いたCTAGEの埋め込み手法を提案する。 その結果,ノード曲率の導入は,現在のグラフニューラルネットワークフレームワークの性能を著しく向上させることがわかった。
  論文  参考訳（メタデータ） (2023-07-25T06:13:01Z)
• 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)
• GraphGANFed: A Federated Generative Framework for Graph-Structured Molecules Towards Efficient Drug Discovery [2.309914459672556]
  本稿では,ローカルデータセットを共有せずに新しい分子を生成するために,GraphGANFed(Federated Learning)フレームワークを用いたジェネレーティブ・アドバイサル・ネットワークにおけるグラフ畳み込みネットワークを提案する。 GraphGANFedによって生成される分子は、高い新規性(=100)と多様性(>0.9)を達成することができる
  論文  参考訳（メタデータ） (2023-04-11T21:15:28Z)
• HiGNN: Hierarchical Informative Graph Neural Networks for Molecular Property Prediction Equipped with Feature-Wise Attention [5.735627221409312]
  分子特性を予測するための階層型情報グラフニューラルネットワークフレームワーク(HiGNN)を提案する。 実験により、HiGNNは、多くの挑戦的な薬物発見関連ベンチマークデータセットに対して最先端の予測性能を達成することが示された。
  論文  参考訳（メタデータ） (2022-08-30T05:16:15Z)
• MolGraph: a Python package for the implementation of molecular graphs and graph neural networks with TensorFlow and Keras [51.92255321684027]
  MolGraphは、分子機械学習(ML)のためのグラフニューラルネットワーク(GNN)パッケージである MolGraphは、分子ML問題を解決するためにGNNアルゴリズムに渡すことができる小さな分子グラフを生成するための化学モジュールを実装している。 GNNは分子識別に有用であり,クロマトグラフィー保持時間データの解釈性が向上した。
  論文  参考訳（メタデータ） (2022-08-21T18:37:41Z)
• Graph neural networks for the prediction of molecular structure-property relationships [59.11160990637615]
  グラフニューラルネットワーク(GNN)は、分子グラフ上で直接動作する新しい機械学習手法である。 GNNは、エンドツーエンドでプロパティを学習できるため、情報記述子の必要性を回避することができる。 本稿では、分子特性予測のための2つの例を通して、GNNの基礎を説明し、GNNの応用を実証する。
  論文  参考訳（メタデータ） (2022-07-25T11:30:44Z)
• Molecular Graph Generation via Geometric Scattering [7.796917261490019]
  グラフニューラルネットワーク(GNN)は、薬物の設計と発見の問題を解決するために広く使われている。 分子グラフ生成における表現第一のアプローチを提案する。 我々のアーキテクチャは、医薬品のデータセットの有意義な表現を学習し、目標指向の薬物合成のためのプラットフォームを提供する。
  論文  参考訳（メタデータ） (2021-10-12T18:00:23Z)
• Uncovering the Folding Landscape of RNA Secondary Structure with Deep Graph Embeddings [71.20283285671461]
  このようなグラフ埋め込みを学習するための幾何散乱オートエンコーダ(GSAE)ネットワークを提案する。 我々の埋め込みネットワークは、最近提案された幾何散乱変換を用いて、まずリッチグラフ特徴を抽出する。 GSAEは、構造とエネルギーの両方でRNAグラフを整理し、ビスタブルRNA構造を正確に反映していることを示す。
  論文  参考訳（メタデータ） (2020-06-12T00:17:59Z)

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。