In dieser Arbeit wird ein neuer Rahmen namens GOLF (Gradual Optimization Learning Framework) für das maschinelle Lernen der Optimierung von Molekülkonformationen vorgestellt.
Die Autoren zeigen, dass zusätzliche Informationen aus dem physikalischen Simulator dazu beitragen können, dass neuronale Netze (NNs) die Verteilungsverschiebung überwinden und ihre Qualität bei der Energieprognose und Optimierungsaufgaben erhöhen können.
Sie vergleichen ihren Ansatz ausführlich mit mehreren Baselines, darunter auch neuere Konformationsgenerierungsmodelle und einen kostengünstigen physikalischen Simulator. Mit Hilfe von GOLF erreichen sie den aktuellen Stand der Technik bei der Optimierungsaufgabe, während sie die Anzahl der zusätzlichen Interaktionen mit dem physikalischen Simulator um einen Faktor 50 reduzieren können im Vergleich zum naiven Ansatz. Das resultierende Modell erreicht die Optimierungsqualität der DFT-Methoden (Dichtefunktionaltheorie) auf einer vielfältigen Reihe von arzneimittelähnlichen Molekülen.
Darüber hinaus stellen die Autoren fest, dass ihre Modelle auch auf größere, während des Trainings nicht gesehene Moleküle verallgemeinern können.
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Artem Tsypin... at arxiv.org 03-13-2024
https://arxiv.org/pdf/2311.06295.pdfDeeper Inquiries