Generalizable, Fast, and Accurate DeepQSPR with fastprop Part 1: Framework and Benchmarks

要約

定量的構造特性関係研究は、分子構造と任意の対象量の間のマッピングを定義することを目的としています。
これは歴史的に、記述子の開発によって達成されてきましたが、これにはかなりのドメイン専門知識が必要であり、一般化するのに苦労しました。
したがって、この分野は分子特性予測に変わり、高度に一般化可能な学習された表現に引き継がれました。
この論文では、DeepQSPR フレームワークである fastprop を紹介します。これは、分子レベルの記述子の適切なセットを使用して、劇的に短い時間で多様なデータセット上で学習された表現のパフォーマンスを満たし、それを超えるものです。
fastprop は、github (github.com/JacksonBurns/fastprop) 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