目次
ベンチマーク評価
13 の SARS-CoV-2 ターゲットの予測
抗 SARS-CoV-2 阻害剤の同定
ホームページ テクノロジー周辺機器 AI 自己教師あり学習に基づく世界初の分子画像生成フレームワーク、ImageMol の紹介

自己教師あり学習に基づく世界初の分子画像生成フレームワーク、ImageMol の紹介

Apr 23, 2023 pm 12:46 PM
モデル 研究

分子は、物質の化学的安定性を維持する最小単位です。分子の研究は、薬学、材料科学、生物学、化学などの多くの科学分野における基本的な問題です。

自己教師あり学習に基づく世界初の分子画像生成フレームワーク、ImageMol の紹介

#分子表現学習は近年非常に人気のある方向性であり、現在は多くの学派に分かれています。

  • 計算薬理学者は次のように述べています: 分子は一連の指紋または記述子として表すことができます。たとえば、Shanghai Pharmaceuticals が提案した AttentiveFP は、この点で優れた代表例です。
  • NLPer 氏は次のように述べています。分子は SMILES (シーケンス) として表現され、自然言語として処理されます。たとえば、Baidu の X-Mol はこの点で優れた代表例です。
  • グラフ ニューラル ネットワークの研究者は次のように述べています: 分子は隣接行列であるグラフ (Graph) として表現でき、Tencent の GROVER、MIT の DMPNN などのグラフ ニューラル ネットワークを使用して処理できます。 , CMU の MOLCLR などの手法は、この点において優れた代表例です。

ただし、現在の特性評価方法にはまだいくつかの制限があります。たとえば、配列表現には分子の明示的な構造情報が不足しており、既存のグラフ ニューラル ネットワークの表現能力には依然として多くの制限があります (中国科学院計算技術研究所のシェン・ファーウェイ教師がこれについて議論しました。シェン氏のレポート「Theグラフニューラルネットワークの表現力」)。

興味深いのは、高校の化学で分子を学ぶとき、私たちは分子の画像を見ますが、化学者が分子を設計するときも、分子の画像に基づいて観察し、考えます。自然なアイデアが自然に生まれます: 「分子を表すために分子画像を直接使用しないのはなぜですか?」画像を直接使用して分子を表すことができるなら、CV (コンピューター ビジョン) ではそれはできません。 18 種類の武道すべてが分子の研究に使用されるのでしょうか?

自己教師あり学習に基づく世界初の分子画像生成フレームワーク、ImageMol の紹介

やってみよう。CV には非常に多くのモデルがあるので、それらを使って分子を学習してみませんか?やめてください、データという別の重要な問題があります。特にラベル付きデータ!履歴書の分野では、データのアノテーションはそれほど難しいものではないようです。画像認識や感情分類などの古典的な CV および NLP の問題の場合、人は平均 800 個のデータに注釈を付けることができます。しかし、分子分野では分子の性質は湿式実験や臨床実験でしか評価できないため、ラベル付けされたデータは非常に不足しています。

これに基づいて、湖南大学の研究者らは、大規模なラベルなし分子画像データを教師なし事前トレーニングに使用する世界初の分子画像用教師なし学習フレームワーク ImageMol を提案しました。これは、分子の特性と薬剤標的を理解するための新しいパラダイムであり、分子画像がインテリジェントな薬剤研究開発の分野で大きな可能性を秘めていることを証明しています。この成果は、「自己教師あり画像表現学習フレームワークを使用した分子特性と薬物標的の正確な予測」というタイトルで、国際トップジャーナル「Nature Machine Intelligence」に掲載されました。コンピューター ビジョンと分子分野の交差点で達成された成功は、コンピューター ビジョン テクノロジを使用して分子の特性と薬物標的メカニズムを理解することの大きな可能性を実証し、分子分野の研究に新たな機会を提供します。

自己教師あり学習に基づく世界初の分子画像生成フレームワーク、ImageMol の紹介

論文リンク: https://www.nature.com/articles/s42256-022-00557-6.pdf

ImageMol モデルの構造

ImageMol の全体的な構造は次の図に示されており、3 つの部分に分かれています。

自己教師あり学習に基づく世界初の分子画像生成フレームワーク、ImageMol の紹介

(1) 約 1,000 万枚の分子画像から潜在的な特徴を抽出できる分子エンコーダー ResNet18 (水色) を設計します (a)。

(2) 分子画像の化学知識と構造情報を考慮して、5 つの事前トレーニング戦略 (MG3C、MRD、JPP、MCL、MIR) を使用して、分子エンコーダーの潜在表現を最適化します (b )。具体的には:

① MG3C (多粒度化学クラスター分類): 構造分類器 (濃い青色) は分子画像の予測に使用されます 化学構造情報;

② MRD (分子合理性識別): 合理的な分子と非合理的な分子を区別するために使用される合理性分類子 (緑色);

③ JPP (ジグソーパズル予測):ジグソー分類器 (明るい灰色) は、分子の合理的な配置を予測するために使用されます。

④ MCL (MASK ベースの対照学習 MASK ベースの対照学習): 対照的な分類器 (濃い灰色) ) は、元の画像とマスク画像の間の類似性を最大化するために使用されます;

⑤ MIR (分子画像再構成): ジェネレーター (黄色) は、分子の潜在的な特徴を復元するために使用されます。識別子(紫色)は、実際の画像と生成された画像を区別するために使用されます。機械によって生成された偽の分子画像です。

(3) 下流タスクで前処理された分子エンコーダーを微調整して、モデルのパフォーマンスをさらに向上させます (c)。

自己教師あり学習に基づく世界初の分子画像生成フレームワーク、ImageMol の紹介

ベンチマーク評価

著者らはまず、8 つの創薬ベンチマーク データセットを使用して ImageMol のパフォーマンスを評価し、2 つの最も一般的な分割を使用しました。戦略 (スキャフォールド分割とランダム スキャフォールド分割) は、すべてのベンチマーク データセットに対する ImageMol のパフォーマンスを評価するために使用されます。分類タスクでは、受信者動作特性 (ROC) 曲線と曲線下面積 (AUC) が評価に使用されますが、実験結果から、ImageMol がより高い AUC 値を取得できることがわかります (図 a)。

自己教師あり学習に基づく世界初の分子画像生成フレームワーク、ImageMol の紹介

ImageMol と分子画像を予測するための古典的な畳み込みニューラル ネットワーク フレームワークである Chemception 間の HIV と Tox21 の検出結果の比較 (図 b)、 ImageMol の AUC 値はより高くなります。この記事では、5 つの主要な代謝酵素 (CYP1A2、CYP2C9、CYP2C19、CYP2D6、CYP3A4) による薬物代謝の予測における ImageMol のパフォーマンスをさらに評価します。図 c は、5 つの主要な薬物代謝酵素の阻害剤と非阻害剤の予測において、ImageMol が 3 つの最先端の分子画像ベースの表現モデル (Chemception46、ADMET-CNN12、および QSAR-CNN47) と比較して優れた結果を達成していることを示しています。 . より高い AUC 値 (0.799 ~ 0.893 の範囲) を達成しました。

自己教師あり学習に基づく世界初の分子画像生成フレームワーク、ImageMol の紹介

自己教師あり学習に基づく世界初の分子画像生成フレームワーク、ImageMol の紹介

この論文では、ImageMol のパフォーマンスを 3 つの最先端の分子表現モデルとさらに比較します。たとえば、図 d および e に示すように。 ImageMol は、ランダム スケルトン パーティショニングを使用するフィンガープリント ベースのモデル (AttentiveFP など)、シーケンス ベースのモデル (TF_Robust など)、およびグラフ ベースのモデル (N-GRAM、GROVER、MPG など) と比較してパフォーマンスが優れています。さらに、ImageMolは、従来のMACCSベースの方法およびFP4ベースの方法と比較して、CYP1A2、CYP2C9、CYP2C19、CYP2D6およびCYP3A4でより高いAUC値を達成しました(図f)。

自己教師あり学習に基づく世界初の分子画像生成フレームワーク、ImageMol の紹介

ImageMol は、図に示すように、シーケンスベースのモデル (RNN_LR、TRFM_LR、RNN_MLP、TRFM_MLP、RNN_RF、TRFM_RF、CHEM-BERT を含む) およびグラフベースのモデル (MolCLRGIN、MolCLRGCN、GROVER を含む) と比較されます。 g これは、ImageMol が CYP1A2、CYP2C9、CYP2C19、CYP2D6、および CYP3A4 で優れた AUC パフォーマンスを達成していることを示しています。

自己教師あり学習に基づく世界初の分子画像生成フレームワーク、ImageMol の紹介

ImageMol と他の先進モデルとの上記の比較では、ImageMol の優位性がわかります。

新型コロナウイルス感染症(COVID-19)の発生以来、私たちは新型コロナウイルス感染症(COVID-19)に対する効果的な治療戦略を早急に開発する必要がありました。したがって、著者らはこの点に応じて ImageMol を評価しました。

13 の SARS-CoV-2 ターゲットの予測

ImageMol は、今日懸念されている 13 の SARS-CoV-2 ターゲットについて予測実験を実施しました。データセットでは、ImageMol は 72.6% ~ 83.7% という高い AUC 値を達成しました。パネル a は、ImageMol によって特定された潜在的なシグネチャを明らかにしています。これは、13 のターゲットまたはエンドポイントで活性および不活性な抗 SARS-CoV-2 によくクラスター化しており、他のものよりも高い AUC 値を示しています。モデル Jure の GNN は 12% 以上高く、これを反映しています。モデルの高精度と強力な一般化。

自己教師あり学習に基づく世界初の分子画像生成フレームワーク、ImageMol の紹介

抗 SARS-CoV-2 阻害剤の同定

薬物分子の研究に関連する最も直接的な実験はこちらです、ImageMol を使用して阻害剤分子を直接特定します。この研究は、ImageMol フレームワークに基づく 3CL プロテアーゼ (新型コロナウイルス感染症の治療における有望な治療開発標的であることが証明されている) の阻害剤と非阻害剤の分子画像表現を通じて、3CL 阻害剤と非阻害剤が以下の図 b に示すように、SNE プロットでは t-Well に大きな差が分離されています。

さらに、ImageMol は、既知の 3CL プロテアーゼ阻害剤 16 種類のうち 10 種類を特定し、これら 10 種類の薬剤を図の埋め込まれた空間に視覚化しました (成功率 62.5%)。これは、抗炎症薬における高い汎化能力を示しています。 -SARS-CoV-2の創薬。 HEY293 アッセイを使用して抗 SARS-CoV-2 再利用薬剤を予測した場合、ImageMol は 70 薬剤中 42 薬剤の予測に成功しました (成功率 60%)。これは、ImageMol が HEY293 アッセイでの潜在的な薬剤候補の推論にも優れていることを示しています。昇進の可能性が高い。以下の図 c は、ImageMol が DrugBank データセット上で 3CL 阻害剤の可能性がある薬剤を発見したことを示しています。パネル d は、ImageMol によって発見された 3CL 阻害剤の分子構造を示しています。

自己教師あり学習に基づく世界初の分子画像生成フレームワーク、ImageMol の紹介

#注目の可視化

ImageMol は、=O 結合、-OH 結合などの分子画像表現から化学情報の事前知識を取得できます。 , -NH3結合とベンゼン環。パネル b および c は、ImageMol の Grad-CAM によって視覚化された 12 個の分子の例を示しています。これは、ImageMol がグローバル (b) とローカル (c) の両方の構造情報を同時に正確に捉えていることを意味しており、これらの結果により、研究者は分子構造が特性やターゲットにどのような影響を与えるかを視覚的に理解できるようになります。

自己教師あり学習に基づく世界初の分子画像生成フレームワーク、ImageMol の紹介

以上が自己教師あり学習に基づく世界初の分子画像生成フレームワーク、ImageMol の紹介の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。

このウェブサイトの声明
この記事の内容はネチズンが自主的に寄稿したものであり、著作権は原著者に帰属します。このサイトは、それに相当する法的責任を負いません。盗作または侵害の疑いのあるコンテンツを見つけた場合は、admin@php.cn までご連絡ください。

ホットAIツール

Undresser.AI Undress

Undresser.AI Undress

リアルなヌード写真を作成する AI 搭載アプリ

AI Clothes Remover

AI Clothes Remover

写真から衣服を削除するオンライン AI ツール。

Undress AI Tool

Undress AI Tool

脱衣画像を無料で

Clothoff.io

Clothoff.io

AI衣類リムーバー

AI Hentai Generator

AI Hentai Generator

AIヘンタイを無料で生成します。

ホットツール

メモ帳++7.3.1

メモ帳++7.3.1

使いやすく無料のコードエディター

SublimeText3 中国語版

SublimeText3 中国語版

中国語版、とても使いやすい

ゼンドスタジオ 13.0.1

ゼンドスタジオ 13.0.1

強力な PHP 統合開発環境

ドリームウィーバー CS6

ドリームウィーバー CS6

ビジュアル Web 開発ツール

SublimeText3 Mac版

SublimeText3 Mac版

神レベルのコード編集ソフト(SublimeText3)

世界で最も強力なオープンソース MoE モデルが登場。GPT-4 に匹敵する中国語機能を備え、価格は GPT-4-Turbo のわずか 1% 近くです 世界で最も強力なオープンソース MoE モデルが登場。GPT-4 に匹敵する中国語機能を備え、価格は GPT-4-Turbo のわずか 1% 近くです May 07, 2024 pm 04:13 PM

従来のコンピューティングを超える能力を備えているだけでなく、より低コストでより効率的なパフォーマンスを実現する人工知能モデルを想像してみてください。これは SF ではありません。世界で最も強力なオープンソース MoE モデルである DeepSeek-V2[1] が登場しました。 DeepSeek-V2 は、経済的なトレーニングと効率的な推論の特徴を備えた強力な専門家混合 (MoE) 言語モデルです。これは 236B のパラメータで構成されており、そのうち 21B は各マーカーをアクティブにするために使用されます。 DeepSeek67B と比較して、DeepSeek-V2 はパフォーマンスが優れていると同時に、トレーニング コストを 42.5% 節約し、KV キャッシュを 93.3% 削減し、最大生成スループットを 5.76 倍に高めます。 DeepSeek は一般的な人工知能を研究する会社です

こんにちは、電気アトラスです!ボストン・ダイナミクスのロボットが復活、180度の奇妙な動きにマスク氏も恐怖 こんにちは、電気アトラスです!ボストン・ダイナミクスのロボットが復活、180度の奇妙な動きにマスク氏も恐怖 Apr 18, 2024 pm 07:58 PM

Boston Dynamics Atlas は正式に電動ロボットの時代に突入します!昨日、油圧式アトラスが歴史の舞台から「涙ながらに」撤退したばかりですが、今日、ボストン・ダイナミクスは電動式アトラスが稼働することを発表しました。ボストン・ダイナミクス社は商用人型ロボットの分野でテスラ社と競争する決意を持っているようだ。新しいビデオが公開されてから、わずか 10 時間ですでに 100 万人以上が視聴しました。古い人が去り、新しい役割が現れるのは歴史的な必然です。今年が人型ロボットの爆発的な年であることは間違いありません。ネットユーザーは「ロボットの進歩により、今年の開会式は人間のように見え、人間よりもはるかに自由度が高い。しかし、これは本当にホラー映画ではないのか?」とコメントした。ビデオの冒頭では、アトラスは仰向けに見えるように地面に静かに横たわっています。次に続くのは驚くべきことです

MLP に代わる KAN は、オープンソース プロジェクトによって畳み込みまで拡張されました MLP に代わる KAN は、オープンソース プロジェクトによって畳み込みまで拡張されました Jun 01, 2024 pm 10:03 PM

今月初め、MIT やその他の機関の研究者らは、MLP に代わる非常に有望な代替案である KAN を提案しました。 KAN は、精度と解釈可能性の点で MLP よりも優れています。また、非常に少数のパラメーターを使用して、多数のパラメーターを使用して実行する MLP よりも優れたパフォーマンスを発揮できます。たとえば、著者らは、KAN を使用して、より小規模なネットワークと高度な自動化で DeepMind の結果を再現したと述べています。具体的には、DeepMind の MLP には約 300,000 個のパラメーターがありますが、KAN には約 200 個のパラメーターしかありません。 KAN は、MLP が普遍近似定理に基づいているのに対し、KAN はコルモゴロフ-アーノルド表現定理に基づいているのと同様に、強力な数学的基礎を持っています。以下の図に示すように、KAN は

Google は大喜び: JAX のパフォーマンスが Pytorch や TensorFlow を上回りました! GPU 推論トレーニングの最速の選択肢となる可能性があります Google は大喜び: JAX のパフォーマンスが Pytorch や TensorFlow を上回りました! GPU 推論トレーニングの最速の選択肢となる可能性があります Apr 01, 2024 pm 07:46 PM

Google が推進する JAX のパフォーマンスは、最近のベンチマーク テストで Pytorch や TensorFlow のパフォーマンスを上回り、7 つの指標で 1 位にランクされました。また、テストは最高の JAX パフォーマンスを備えた TPU では行われませんでした。ただし、開発者の間では、依然として Tensorflow よりも Pytorch の方が人気があります。しかし、将来的には、おそらくより大規模なモデルが JAX プラットフォームに基づいてトレーニングされ、実行されるようになるでしょう。モデル 最近、Keras チームは、ネイティブ PyTorch 実装を使用して 3 つのバックエンド (TensorFlow、JAX、PyTorch) をベンチマークし、TensorFlow を使用して Keras2 をベンチマークしました。まず、主流のセットを選択します

AI が数学研究を破壊する!フィールズ賞受賞者で中国系アメリカ人の数学者が上位 11 件の論文を主導 | テレンス・タオが「いいね!」しました AI が数学研究を破壊する!フィールズ賞受賞者で中国系アメリカ人の数学者が上位 11 件の論文を主導 | テレンス・タオが「いいね!」しました Apr 09, 2024 am 11:52 AM

AI は確かに数学を変えつつあります。最近、この問題に細心の注意を払っている陶哲軒氏が『米国数学協会会報』(米国数学協会会報)の最新号を送ってくれた。 「機械は数学を変えるのか?」というテーマを中心に、多くの数学者が意見を述べ、そのプロセス全体は火花に満ち、ハードコアで刺激的でした。著者には、フィールズ賞受賞者のアクシャイ・ベンカテシュ氏、中国の数学者鄭楽軍氏、ニューヨーク大学のコンピューター科学者アーネスト・デイビス氏、その他業界で著名な学者を含む強力な顔ぶれが揃っている。 AI の世界は劇的に変化しています。これらの記事の多くは 1 年前に投稿されたものです。

テスラのロボットは工場で働く、マスク氏:手の自由度は今年22に達する! テスラのロボットは工場で働く、マスク氏:手の自由度は今年22に達する! May 06, 2024 pm 04:13 PM

テスラのロボット「オプティマス」の最新映像が公開され、すでに工場内で稼働可能となっている。通常の速度では、バッテリー(テスラの4680バッテリー)を次のように分類します:公式は、20倍の速度でどのように見えるかも公開しました - 小さな「ワークステーション」上で、ピッキング、ピッキング、ピッキング:今回は、それがリリースされたハイライトの1つビデオの内容は、オプティマスが工場内でこの作業を完全に自律的に行​​い、プロセス全体を通じて人間の介入なしに完了するというものです。そして、オプティマスの観点から見ると、自動エラー修正に重点を置いて、曲がったバッテリーを拾い上げたり配置したりすることもできます。オプティマスのハンドについては、NVIDIA の科学者ジム ファン氏が高く評価しました。オプティマスのハンドは、世界の 5 本指ロボットの 1 つです。最も器用。その手は触覚だけではありません

FisheyeDetNet: 魚眼カメラに基づいた最初のターゲット検出アルゴリズム FisheyeDetNet: 魚眼カメラに基づいた最初のターゲット検出アルゴリズム Apr 26, 2024 am 11:37 AM

目標検出は自動運転システムにおいて比較的成熟した問題であり、その中でも歩行者検出は最も初期に導入されたアルゴリズムの 1 つです。ほとんどの論文では非常に包括的な研究が行われています。ただし、サラウンドビューに魚眼カメラを使用した距離認識については、あまり研究されていません。放射状の歪みが大きいため、標準のバウンディング ボックス表現を魚眼カメラに実装するのは困難です。上記の説明を軽減するために、拡張バウンディング ボックス、楕円、および一般的な多角形の設計を極/角度表現に探索し、これらの表現を分析するためのインスタンス セグメンテーション mIOU メトリックを定義します。提案された多角形モデルの FisheyeDetNet は、他のモデルよりも優れたパフォーマンスを示し、同時に自動運転用の Valeo 魚眼カメラ データセットで 49.5% の mAP を達成しました。

DualBEV: BEVFormer および BEVDet4D を大幅に上回る、本を開いてください! DualBEV: BEVFormer および BEVDet4D を大幅に上回る、本を開いてください! Mar 21, 2024 pm 05:21 PM

この論文では、自動運転においてさまざまな視野角 (遠近法や鳥瞰図など) から物体を正確に検出するという問題、特に、特徴を遠近法 (PV) 空間から鳥瞰図 (BEV) 空間に効果的に変換する方法について検討します。 Visual Transformation (VT) モジュールを介して実装されます。既存の手法は、2D から 3D への変換と 3D から 2D への変換という 2 つの戦略に大別されます。 2D から 3D への手法は、深さの確率を予測することで高密度の 2D フィーチャを改善しますが、特に遠方の領域では、深さ予測に固有の不確実性により不正確さが生じる可能性があります。 3D から 2D への方法では通常、3D クエリを使用して 2D フィーチャをサンプリングし、Transformer を通じて 3D と 2D フィーチャ間の対応のアテンション ウェイトを学習します。これにより、計算時間と展開時間が増加します。

See all articles