論文の概要: PRISM: Prior Relational Information for Self-supervised Modeling to Enhance Solubility OOD Generalization

• arxiv url: http://arxiv.org/abs/2610.25605v1
• Date: Mon, 19 Oct 2026 00:18:49 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:24:45.069999
• Title: PRISM: Prior Relational Information for Self-supervised Modeling to Enhance Solubility OOD Generalization
• Title（参考訳）: PRISM: Solubility OOD Generalization を促進する自己教師型モデリングのための事前関係情報
• Abstract要約: 自己教師付きモデリングのための事前情報 (PRISM) を導入し, 可溶性OOD一般化に適用する。 PRISMは、専門家が定義した化学先入観を教師に変換する、ラベルなしの事前学習フレームワークである。 リレーショナル、溶質、溶媒OOD設定全体にわたって、PRISMは教師付きおよび自己監督されたベースラインにマッチするか、超える。
• 参考スコア（独自算出の注目度）: 13.392700080919134
• License:
• Abstract: Solubility depends on intermolecular interactions between solutes and solvents, and is central to drug discovery, chemical and materials process engineering. Its prediction requires out-of-distribution (OOD) generalization to unseen solutes, solvents, and solvent mixtures, where supervised methods suffer from data scarcity, and existing self-supervised methods do not explicitly learn chemically meaningful relations. Learning chemically meaningful relational information without labels can alleviate data scarcity and improve OOD generalization, but remains challenging. We introduce Prior Relational Information for Self-supervised Modeling (PRISM) and apply it to solubility OOD generalization. PRISM is a label-free pretraining framework that converts expert-defined chemical priors into relational teachers. For solubility prediction, it trains four encoders to preserve the population-level relational information from priors capturing hydrophobic, electrostatic, polarizability, and substructural effects, using Kullback-Leibler (KL) divergence to match distance-based neighborhood distributions during pretraining. Across scaffold, solute, and solvent OOD settings, PRISM matches or surpasses supervised and self-supervised baselines. Under mixed-solvent OOD, freezing the four PRISM encoders and training a lightweight fusion-and-composition head outperforms strong baselines and substantially reduces run-to-run variation. Ablations and control studies confirm that gains stem from chemically meaningful relational structures baked into the encoders by PRISM. We expect this strategy of turning relational priors into self-supervision signals to extend beyond solubility prediction to domains where chemically or biologically meaningful relational priors are available.
• Abstract（参考訳）: 溶解度は溶質と溶媒間の分子間相互作用に依存し、薬物発見、化学および材料プロセス工学の中心である。 その予測では、未確認の溶質、溶媒、溶媒混合物に対して、非分配性(OOD)の一般化が必要であり、そこでは、監督的手法がデータ不足に悩まされ、既存の自己監督的手法は、化学的に有意な関係を明示的に学ばない。 ラベルなしで化学的に意味のある関係情報を学習することで、データの不足を軽減し、OODの一般化を改善することができるが、依然として困難である。 自己教師付きモデリング(PRISM)のための事前関係情報を導入し,解像度OODの一般化に適用する。 PRISMは、専門家が定義した化学先入観を関係教師に変換する、ラベルなし事前学習フレームワークである。 可溶性予測のために、4つのエンコーダを訓練し、親水性、静電気性、偏光性、構造的効果を捕え、事前訓練中にKulback-Leibler (KL) の偏差を用いて、人口レベルの関係情報を保存する。 足場、溶質、溶剤のOOD設定にまたがって、PRISMは監督および自己監督されたベースラインにマッチするか、超える。 混合溶媒OODの下では、4つのPRISMエンコーダを凍結し、軽量核融合結合ヘッドを訓練し、強いベースラインを上回り、ラン・ツー・ランの変動を大幅に低減する。 アブレーションと制御研究により、PRISMによってエンコーダに埋め込まれた化学的に意味のある関係構造から得られるゲインが確認される。 我々は、リレーショナルプリミティブを自己超越信号に変換するこの戦略が、溶解度予測を超えて、化学的または生物学的に意味のあるリレーショナルプリミティブが利用できる領域に拡張することを期待している。

関連論文リスト

• EnSol: an environment-aware graph neural network for molecular solubility prediction [44.499249024505794]
  本稿では,環境に配慮した分子溶解度予測フレームワークであるEnSolを紹介する。 独立したSolPropとLeedsのベンチマークデータセットでは、EnSolはそれぞれ0.876と0.601のSpearman相関を達成した。 これらの結果から,EnSolは種々の化学系における溶解度予測および溶媒選択を確実に行うことができることが示された。
  論文  参考訳（メタデータ） (2026-09-17T23:35:33Z)
• An Additive MLP-GNN Framework for Characterizing Chemical and Structural Contributions to Aqueous Solubility [0.40105987447353786]
  水溶性は、早期の薬物発見の鍵となる性質である。 ほとんどの予測モデルは、物理化学的記述子と分子グラフ情報を単一の表現に統合する。 この2つの情報ソースをトレーニングを通じて分離する付加的なディープラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-02T14:21:44Z)
• Learning Continuous Solvent Effects from Transient Flow Data: A Graph Neural Network Benchmark on Catechol Rearrangement [0.0]
  この研究は、高スループットな過渡的フロー化学データセットである textbfCatechol Benchmarkを導入している。 化学環境への一般化を実証するため, 厳密な溶出・溶出プロトコルおよび溶出・溶出プロトコルによる各種アーキテクチャの評価を行った。 本稿では,グラフ注意ネットワーク(GAT)と差動反応フィンガープリント(DRFP)を統合し,混合認識符号化を学習するハイブリッドGNNアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-12-22T16:19:01Z)
• Robust Molecular Property Prediction via Densifying Scarce Labeled Data [53.24886143129006]
  薬物発見において、研究を進める上で最も重要な化合物は、しばしば訓練セットを越えている。 本稿では, ラベル付きデータを利用して, 分布内データ(ID)と分布外データ(OOD)を補間する2段階最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-06-13T15:27:40Z)
• Chemical knowledge-informed framework for privacy-aware retrosynthesis learning [72.39098405805318]
  現在の機械学習に基づくレトロシンセシスは、複数のソースからの反応データを1つのエッジに集め、予測モデルを訓練する。 このパラダイムは、組織の境界を越えた広範なデータ可用性を必要とするため、かなりのプライバシーリスクをもたらす。 本研究では, 化学知識インフォームド・フレームワーク (CKIF) について紹介する。
  論文  参考訳（メタデータ） (2025-02-26T13:13:24Z)
• Accurate, reliable and interpretable solubility prediction of druglike molecules with attention pooling and Bayesian learning [1.8275108630751844]
  可溶性のシリコ予測は, 仮想スクリーニングと鉛最適化において有用性について研究されている。 近年,物理に基づく手法は高スループットタスクには適さないため,実験データを用いた機械学習(ML)手法が普及している。 本稿では,グラフニューラルネットワーク(GNN)を自己注意型読み出し層で開発し,予測性能を向上させる。
  論文  参考訳（メタデータ） (2022-09-29T07:48:10Z)
• SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
  薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。 湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。 既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)

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。