Knowledge-informed Molecular Learning: A Survey on Paradigm Transfer

要約

機械学習、特にディープラーニングは、生化学分野における分子研究を大きく推進してきました。
従来、このような研究のモデリングはいくつかのパラダイムを中心に行われてきました。
たとえば、予測パラダイムは、分子特性予測などのタスクに頻繁に導入されます。
純粋にデータ駆動型モデルの生成と解読可能性を高めるために、学者たちは生化学分野の知識をこれらの分子研究モデルに統合しました。
この統合により、ある分子学習タスクを別の分子学習タスクとして再定式化することで解決するパラダイム転移が急増しました。
大規模言語モデルの出現により、これらのパラダイムは調和のとれた統合に向けてエスカレートする傾向を示しています。
この研究では、パラダイム転移の観点から知識に基づく分子学習に焦点を当てた文献調査を概説します。
私たちはパラダイムを分類し、その方法論を精査し、ドメイン知識の貢献を分析します。
さらに、私たちは一般的な傾向を要約し、分子学習における将来の探索のための興味深い道筋を特定します。

要約(オリジナル)

Machine learning, notably deep learning, has significantly propelled molecular investigations within the biochemical sphere. Traditionally, modeling for such research has centered around a handful of paradigms. For instance, the prediction paradigm is frequently deployed for tasks such as molecular property prediction. To enhance the generation and decipherability of purely data-driven models, scholars have integrated biochemical domain knowledge into these molecular study models. This integration has sparked a surge in paradigm transfer, which is solving one molecular learning task by reformulating it as another one. With the emergence of Large Language Models, these paradigms have demonstrated an escalating trend towards harmonized unification. In this work, we delineate a literature survey focused on knowledge-informed molecular learning from the perspective of paradigm transfer. We classify the paradigms, scrutinize their methodologies, and dissect the contribution of domain knowledge. Moreover, we encapsulate prevailing trends and identify intriguing avenues for future exploration in molecular learning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google