論文の概要: Predicting Collision Cross Sections with GRACE: Geometric Residual Adduct Conditioning via Early-fusion

• arxiv url: http://arxiv.org/abs/2609.12223v1
• Date: Thu, 10 Sep 2026 21:31:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 10:54:53.41576
• Title: Predicting Collision Cross Sections with GRACE: Geometric Residual Adduct Conditioning via Early-fusion
• Title（参考訳）: GRACEを用いた衝突断面積予測:早期融合による幾何学的残留付加条件
• Abstract要約: 初期核融合による幾何的残留付加条件を用いた事前訓練された分子幾何エンコーダを適応する3次元CCS予測器GRACEを提案する。 9000以上の分子付加物CCSレコードをランダム,スキャフォールド,付加物感受性スプリットを用いて一般化したモデルの評価を行った。
• 参考スコア（独自算出の注目度）: 0.36141160033590963
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Collision cross section (CCS), derived from ion mobility mass spectrometry, is a common descriptor for molecular annotation. Prediction is challenging for machine learning models because it reflects the size, shape, and ionization state of a gas-phase molecular ion. Most predictors either ignore explicit 3D structure or treat adduct identity as a late categorical feature, which limits their ability to capture adduct-dependent geometric effects. We present GRACE (Geometric Residual Adduct Conditioning via Early-fusion), a 3D CCS predictor that adapts a pretrained molecular geometry encoder using geometric residual adduct conditioning via early fusion. GRACE combines two inductive biases: a residual objective relative to an adduct-aware physical descriptor baseline and adduct conditioning within the encoder via a learned adduct token and low-rank attention adapters. We evaluate the model on a curated set of over 9,000 experimental molecule-adduct CCS records with random, scaffold, and adduct-sensitive splits designed to separate interpolation, scaffold generalization, and adduct-driven generalization. GRACE achieves the best mean percentage difference among the evaluated learned models on all three splits: 1.67% on the random split, 2.11% on the scaffold split, and 2.36% on the adduct-sensitive split. Diagnostic analyses suggest that residual learning stabilizes training by removing the dominant mass-CCS trend, while early fusion improves adduct-sensitive prediction relative to late fusion. Across four independent external test sets, GRACE shows consistently lower error than the other evaluated models. On a held-out set, GRACE also attains the lowest mean percent difference when compared with four previously reported physics-based workflows. These results support residual learning and encoder-level adduct conditioning as practical inductive biases for fast, accurate CCS prediction.
• Abstract（参考訳）: イオン移動度質量分析法から得られた衝突断面積 (CCS) は、分子アノテーションの一般的な記述法である。 予測は、ガス相分子イオンのサイズ、形状、イオン化状態を反映するため、機械学習モデルでは難しい。 ほとんどの予測者は、明示的な3D構造を無視したり、付加的アイデンティティを後期カテゴリーの特徴として扱い、付加的依存性の幾何学的効果を捉える能力を制限する。 初期核融合による幾何残留付加条件を用いた分子形状エンコーダの3次元CCS予測器であるGRACE(Geometric Residual Adduct Conditioning via Early-fusion)を提案する。 GRACEは2つの帰納バイアスを組み合わす: 付加性を考慮した物理記述子ベースラインに対する相対的な相対的目的と、学習された付加物トークンと低ランクのアテンダアダプタを介してエンコーダ内の付加物条件付けである。 補間, 足場一般化, 付加ダクト駆動の一般化を分離するために設計された, ランダム, 足場, 付加ダクト感受性スプリットを用いた9000以上の実験分子アドダクトCCSレコードを用いて, モデルの評価を行った。 GRACEは、ランダムスプリットの1.67%、足場スプリットの2.11%、付加物感受性スプリットの2.36%である。 診断学的には,残留学習は大量CCS傾向を除去することでトレーニングを安定させるが,早期融合は後期融合に対する付加性予測を改善することが示唆された。 4つの独立した外部テストセットの中で、GRACEは他の評価モデルよりも一貫して低いエラーを示す。 ホールドアウトセットでは、GRACEは以前に報告された4つの物理ベースのワークフローと比較して、最も低い平均パーセンテージの差を達成している。 これらの結果は、高速で正確なCCS予測のための実用的な帰納バイアスとして、残差学習とエンコーダレベルの付加条件を支持する。

関連論文リスト

• Generative Augmentation for EEG Motor Imagery Classification: A Class-Conditional VAE with Cycle-Consistent Decoder Refinement [2.3270574907955286]
  生成モデルが有用な人工運動画像(MI)の脳波検査(EEG)に有効かどうかを検討する。 本研究は,Zhouモータ画像データセットに潜在型分類器を組み込んだクラス条件変分オートエンコーダ(CVAE)を訓練する。 結果は、独立した拡張ドロー、ランダムな種(ユーザ内)、あるいはout-one-subject-out フォルダに集約される。
  論文  参考訳（メタデータ） (2026-07-22T12:16:16Z)
• Graph Diffusion Residuals for Control-Function Instrumental Variables [82.39671985893028]
  高容量の第1段階は治療を補間し、結果方程式の残余情報はほとんど残らない。 フレキシブル制御機能のための決定論的グラフ拡散残差抽出器であるAdaptive Anisotropic Instrumental Heat Flow (A-IHF) について検討した。 A-IHFは、処理を第一段階の特徴のグラフ上の信号として扱い、パイロット拡散を用いて大きな処理ジャンプを検出し、それらのジャンプのコンダクタンスを減衰させ、スパースグラフ分解剤で生成された制御を計算する。
  論文  参考訳（メタデータ） (2026-06-12T17:02:53Z)
• Anisotropic Permeability Tensor Prediction from Porous Media Microstructure via Physics-Informed Progressive Transfer Learning with Hybrid CNN-Transformer [0.0]
  細孔スケールの微細構造画像からの透水性テンソルの予測は地下流れのモデリングには不可欠であるが、直接数値シミュレーションではサンプルあたりの時間を要する。 MaxViTハイブリッドCNN-Transformerアーキテクチャと、プログレッシブトランスファー学習と微分可能な物理的制約を組み合わせることで、このボトルネックを解決する物理インフォームドディープラーニングフレームワークが提示される。
  論文  参考訳（メタデータ） (2026-03-18T09:41:01Z)
• Convolutional Surrogate for 3D Discrete Fracture-Matrix Tensor Upscaling [0.0]
  酸化3D領域から等価な水和伝導率テンソルKeqを予測する代理モデルを開発した。 3つのサロゲートはDFMシミュレーションによって生成されたデータに基づいて訓練され、それぞれ異なるフラクチャー-マトリクス伝導率のコントラストに対応する。 訓練されたモデルは、ほとんどのテストケースで0.22未満の正規化ルート平均二乗誤差で高い精度を達成する。
  論文  参考訳（メタデータ） (2026-01-19T23:53:58Z)
• HyperTopo-Adapters: Geometry- and Topology-Aware Segmentation of Leaf Lesions on Frozen Encoders [0.14323566945483493]
  葉配列のセグメンテーションはトポロジーに敏感であり、小さなマージ、分裂、または偽の穴は生化学経路の有意義な記述である。 HyperTopo-Adaptersは、凍結した視覚エンコーダの上で訓練された軽量でパラメータ効率のよいヘッドだ。 初期の結果は、Kaggleのリーフ-レセオンデータセット上で境界とトポロジーのメトリクスが一貫した増加を示している。
  論文  参考訳（メタデータ） (2025-12-29T04:27:26Z)
• 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)
• Reimagining Target-Aware Molecular Generation through Retrieval-Enhanced Aligned Diffusion [22.204642926984526]
  Retrieval-Augmented GenerationとSE(3)-同変拡散モデルとを融合した最初のREADが導入された。 CBGBenchでは非常に競争力があり、最先端のジェネレーティブモデルやネイティブな足場を超越している。
  論文  参考訳（メタデータ） (2025-06-17T13:09:11Z)
• Rao-Blackwell Gradient Estimators for Equivariant Denoising Diffusion [55.95767828747407]
  分子やタンパク質の生成のようなドメインでは、物理系はモデルにとって重要な固有の対称性を示す。 学習のばらつきを低減し、確率的に低い分散勾配推定器を提供するフレームワークを提案する。 また,軌道拡散法(Orbit Diffusion)と呼ばれる手法を用いて,損失とサンプリングの手順を取り入れた推定器の実用的実装を提案する。
  論文  参考訳（メタデータ） (2025-02-14T03:26:57Z)
• Learning Equivariant Non-Local Electron Density Functionals [51.721844709174206]
  等変グラフニューラルネットワーク(GNN)に基づく新しい非局所XC関数であるEquivariant Graph Exchange correlation (EG-XC)を導入する。 この点の雲に同変GNNを適用することにより、スケーラブルで正確な分子レンジ相互作用をキャプチャする。 EG-XCは、QM9上のデータ効率と分子サイズの外挿に優れ、5倍以上の分子で訓練された整合力場である。
  論文  参考訳（メタデータ） (2024-10-10T14:31:45Z)
• Optimizing OOD Detection in Molecular Graphs: A Novel Approach with Diffusion Models [71.39421638547164]
  本稿では,入力分子と再構成グラフの類似性を比較する補助拡散モデルに基づくフレームワークを用いてOOD分子を検出することを提案する。 IDトレーニングサンプルの再構成に向けた生成バイアスのため、OOD分子の類似度スコアは検出を容易にするためにはるかに低い。 本研究は,PGR-MOOD(PGR-MOOD)とよばれる分子OOD検出のためのプロトタイプグラフ再構成のアプローチを開拓し,3つのイノベーションを生かした。
  論文  参考訳（メタデータ） (2024-04-24T03:25:53Z)
• GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
  分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。 既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。 エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
  論文  参考訳（メタデータ） (2021-06-08T14:17:59Z)

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。