論文の概要: Towards Multiscale Molecular Representation Learning through Geometry-Based Fragmentation for Polymer Property Prediction
- arxiv url: http://arxiv.org/abs/2611.07998v1
- Date: Thu, 05 Nov 2026 13:25:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-06 21:50:50.698051
- Title: Towards Multiscale Molecular Representation Learning through Geometry-Based Fragmentation for Polymer Property Prediction
- Title(参考訳): 高分子物性予測のための幾何学的フラグメンテーションによるマルチスケール分子表現学習に向けて
- Abstract要約: フラグメントに基づく表現は、化学的に有意な誘導バイアスを組み込む効果的な戦略として登場した。
本稿では, 任意の分子構造や材料構造を, 主に幾何学的情報を用いて分割する, 幾何学に基づく断片化手法を提案する。
マルチスケール構造情報を統合し,それをマルチモーダル機械学習モデルに組み込む幾何学的フラグメントに基づくアテンション機構を開発した。
- 参考スコア(独自算出の注目度): 20.388938295521577
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: It is well established that molecular substructures can contribute unequally to chemical and physical properties, with specific motifs or side chains often playing dominant roles. Fragment-based representations have therefore emerged as an effective strategy for incorporating chemically meaningful inductive biases, as exemplified by molecular fingerprints and fragment-based attention mechanisms. However, many existing fragmentation-based machine learning methods rely on predefined chemical rules, which may yield suboptimal fragmentation for previously unseen or chemically unfamiliar structures and often overlook the importance of multiscale molecular representations. To address these limitations, we formulate molecular fragmentation as a radius-constrained optimization problem inspired by the k-center formulation, where the number of clusters is not fixed a priori but emerges from the specified radius, and propose a geometry-based fragmentation method that partitions arbitrary molecular or material structures using largely geometric information, without relying on predefined chemical fragmentation rules. The method provides flexible control over fragment size, enabling the construction of multiscale fragment representations for scale-adaptive modeling. Building on this framework, we develop a geometric fragment-based attention mechanism that integrates multiscale structural information and incorporate it into a multimodal machine learning model combining p-SMILES representations with three-dimensional (3D) conformational information. Experiments on a benchmark polymer dataset show that incorporating 3D conformational information improves prediction accuracy for several properties over models based exclusively on p-SMILES representations. Explainable artificial intelligence analyses further provide insights into the physical relevance of the learned representations.
- Abstract(参考訳): 分子サブ構造は化学的および物理的性質に不平等に寄与し、特定のモチーフや側鎖が支配的な役割を担っていることがよく確認されている。
したがって、フラグメントに基づく表現は、分子指紋やフラグメントに基づく注意機構によって示されるように、化学的に有意な誘導バイアスを組み込む効果的な戦略として現れてきた。
しかし、多くの既存のフラグメンテーションベースの機械学習手法は、事前に定義された化学規則に依存しており、以前は見つからなかったり、化学的に馴染みのない構造に対して最適以下のフラグメンテーションをもたらし、しばしばマルチスケールの分子表現の重要性を見落としている。
これらの制約に対処するために、分子断片化をk中心の定式化にインスパイアされた半径制約最適化問題として定式化し、そこでは、クラスターの数があらかじめ固定されていないが、特定の半径から現れるようにし、あらかじめ定義された化学断片化規則を頼らずに、ほぼ幾何学的な情報を用いて任意の分子または物質構造を分割する幾何学的断片化法を提案する。
この手法はフラグメントサイズを柔軟に制御し、スケール適応モデリングのためのマルチスケールフラグメント表現の構築を可能にする。
この枠組みに基づいて,マルチスケール構造情報を統合し,P-SMILES表現と3次元コンフォメーション情報を組み合わせたマルチモーダル機械学習モデルに組み込む幾何学的フラグメントに基づくアテンション機構を開発する。
p-SMILES表現のみに基づくモデルに対して、3Dコンフォーメーション情報を組み込むことで、いくつかの特性の予測精度が向上することを示す。
説明可能な人工知能分析は、学習された表現の物理的関連性に関する洞察を提供する。
関連論文リスト
- 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) - Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。
我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
論文 参考訳(メタデータ) (2025-10-20T17:56:01Z) - 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) - Diffusion-Driven Generative Framework for Molecular Conformation
Prediction [0.66567375919026]
機械学習の急速な進歩は、この文脈における予測モデリングの精度に革命をもたらした。
本研究は,最先端な生成手法を提案する。
メソッドは原子を独立した実体とみなし、拡散の逆転を導くのに優れている。
論文 参考訳(メタデータ) (2023-12-22T11:49:39Z) - 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) - 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) - Geometric Transformer for End-to-End Molecule Properties Prediction [92.28929858529679]
分子特性予測のためのトランスフォーマーに基づくアーキテクチャを導入し,分子の形状を捉える。
分子幾何学の初期符号化による古典的な位置エンコーダと、学習されたゲート自己保持機構を改変する。
論文 参考訳(メタデータ) (2021-10-26T14:14:40Z) - GeoT: A Geometry-aware Transformer for Reliable Molecular Property
Prediction and Chemically Interpretable Representation Learning [16.484048833163282]
GeoT(Geometry-aware Transformer)という,分子表現学習のためのトランスフォーマーベースの新しいフレームワークを提案する。
GeoTは、分子特性予測と同様に、信頼性の高い解釈性を提供するように設計された注意に基づくメカニズムを通じて、分子グラフ構造を学習する。
実験的なシミュレーションを含む包括的実験により、GeoTは分子構造に関する化学的な洞察を効果的に学習し、人工知能と分子科学のギャップを埋めることを明らかにした。
論文 参考訳(メタデータ) (2021-06-29T15:47:18Z) - 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。