Generalizable, Fast, and Accurate DeepQSPR with fastprop

要約

定量的構造特性関係研究は、分子構造と関心のある量のマッピングを定義することを目的としています。
これは、重要なドメインの専門知識と一般化に苦労する必要がある記述子の開発によって歴史的に達成されました。
したがって、フィールドは分子特性の予測に変化し、非常に一般化可能な学習表現に与えられました。
このペーパーでは、分子レベルの記述子の説得力のあるセットを使用して、多様なデータセットで学習した表現のパフォーマンスを劇的に短い時間で満たし、それを超えるFastPropを紹介します。
FastPropは、Github.com/jacksonburns/fastPropのGithubで無料で入手できます。

要約(オリジナル)

Quantitative Structure Property Relationship studies aim to define a mapping between molecular structure and arbitrary quantities of interest. This was historically accomplished via the development of descriptors which requires significant domain expertise and struggles to generalize. Thus the field has morphed into Molecular Property Prediction and been given over to learned representations which are highly generalizable. The paper introduces fastprop, a DeepQSPR framework which uses a cogent set of molecular level descriptors to meet and exceed the performance of learned representations on diverse datasets in dramatically less time. fastprop is freely available on github at github.com/JacksonBurns/fastprop.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google