論文の概要: Molecular Prior Networks

• arxiv url: http://arxiv.org/abs/2611.05103v1
• Date: Tue, 03 Nov 2026 15:56:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-07 14:26:57.887822
• Title: Molecular Prior Networks
• Title（参考訳）: 分子プライオリティネットワーク
• Abstract要約: 本稿では,小分子とそのタンパク質標的との親和性を予測するための新しいアプローチを提案する。 このモデルは、何千もの既存の親和性データセットでトレーニングされている。 最小のサポートセットについては、FS-Molベンチマークの回帰変種に関するテクニックの状態を一致させる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting affinity between small molecules and their protein targets remains one of the central problems in drug discovery. Due to the substantial cost of wet-lab experiments, machine learning models of drug-target affinity are usually trained on relatively small datasets, ranging from tens to hundreds of molecules. Given the inherent difficulty of generalization between different targets and chemical series, existing datasets of protein-ligand affinities are typically not used for new projects. At the same time, tabular foundation models, including Prior-data Fitted Networks, have recently shown how transformers can be used to solve machine learning problems in a single forward pass of the network, after being trained over a large corpus of, typically, synthetic datasets. Inspired by that line of work, we propose a novel affinity modelling approach, in which the labels of the query molecules are predicted from the labelled support molecules in a single forward pass of a transformer model. The model is trained on thousands of existing affinity datasets, enabling it to capture the general patterns of molecular activity across different targets, chemical series and dataset sizes. For the smallest support sets, our model matches the state of the art on the regression variant of the FS-Mol benchmark, while being faster than existing methods, thanks to the lack of task-specific training. A comparison against a reduced variant of our architecture, which amounts to kernel regression in a meta-learned feature space, shows that the predictive performance of the transformer model is only partially explained by simple molecular similarity.
• Abstract（参考訳）: 小分子とそのタンパク質標的との親和性を予測することは、薬物発見における中心的な問題の一つである。 ウェットラブ実験のかなりのコストのため、ドラッグターゲット親和性の機械学習モデルは、通常、数十から数百の分子の比較的小さなデータセットで訓練される。 異なるターゲットと化学系列の一般化の難しさを考えると、既存のタンパク質-リガンド親和性のデータセットは、新しいプロジェクトには使われない。 同時に、Preside-data Fitted Networksを含むテーブル形式の基盤モデルは、一般的には合成データセットの大規模なコーパスでトレーニングされた後、トランスフォーマーを使用して、ネットワークの1つのフォワードパスで機械学習の問題を解決する方法を示している。 そこで本研究では, トランスモデルの単一前方通過において, ラベル付き支持分子から問合せ分子のラベルが予測される新しい親和性モデリング手法を提案する。 このモデルは、既存の何千もの親和性データセットに基づいてトレーニングされており、様々なターゲット、化学系列、データセットサイズにわたる分子活動の一般的なパターンをキャプチャすることができる。 最小のサポートセットについては、FS-Molベンチマークの回帰版について、タスク固有のトレーニングが欠如しているため、既存のメソッドよりも高速であるながら、最先端のモデルに適合する。 メタ学習された特徴空間におけるカーネルの回帰に起因するアーキテクチャの還元変種との比較により, 変圧器モデルの予測性能は, 単純な分子類似性によって部分的に説明されるのみであることを示す。

関連論文リスト

• Semi-Supervised Learning for Molecular Graphs via Ensemble Consensus [5.710145477080244]
  アンサンブルのコンセンサスに依存する半教師付き手法は,多様なデータセットの予測精度を高めることができることを示す。 アンサンブルコンセンサス目標を用いたトレーニングは,モデルの堅牢性を高め,知識蒸留に類似した効果を示す。
  論文  参考訳（メタデータ） (2026-07-30T14:43:55Z)
• 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)
• Transfer Learning for Molecular Property Predictions from Small Data Sets [0.0]
  2つの小さなデータセット上での分子特性の予測のために、一般的な機械学習モデルをベンチマークする。 本稿では,大規模なデータセットを用いて各モデルを事前学習し,元のデータセットを微調整した上で,より正確なモデルを得ることができる転送学習戦略を提案する。
  論文  参考訳（メタデータ） (2024-04-20T14:25:34Z)
• Learning Invariant Molecular Representation in Latent Discrete Space [52.13724532622099]
  本稿では,分散シフトに対する不変性とロバスト性を示す分子表現を学習するための新しい枠組みを提案する。 我々のモデルは、様々な分布シフトが存在する場合に、最先端のベースラインに対してより強力な一般化を実現する。
  論文  参考訳（メタデータ） (2023-10-22T04:06:44Z)
• Retrieval-based Controllable Molecule Generation [63.44583084888342]
  制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。 我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。 提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
  論文  参考訳（メタデータ） (2022-08-23T17:01:16Z)
• Predicting Chemical Properties using Self-Attention Multi-task Learning based on SMILES Representation [0.0]
  本研究では,変圧器変圧器モデルの構造的差異について検討し,新しい自己注意モデルを提案する。 不均衡な化学データセットを用いたマルチタスク学習環境において,自己認識モジュールの表現学習性能を評価した。
  論文  参考訳（メタデータ） (2020-10-19T09:46:50Z)
• MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [51.00815310242277]
  生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。 本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
  論文  参考訳（メタデータ） (2020-10-05T20:18:42Z)

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。