ترجمه فارسی مقاله پیشرفت در پیش بینی خاصیت مولکولی: بررسی رویکردهای تک و چندمودالی

چکیده

Molecular Property Prediction (MPP) plays a pivotal role across diverse domains, spanning drug discovery, material science, and environmental chemistry. Fueled by the exponential growth of chemical data and the evolution of artificial intelligence, recent years have witnessed remarkable strides in MPP. However, the multifaceted nature of molecular data, such as molecular structures, SMILES notation, and molecular images, continues to pose a fundamental challenge in its effective representation. To address this, representation learning techniques are instrumental as they acquire informative and interpretable representations of molecular data. This article explores recent AI/-based approaches in MPP, focusing on both single and multiple modality representation techniques. It provides an overview of various molecule representations and encoding schemes, categorizes MPP methods by their use of modalities, and outlines datasets and tools available for feature generation. The article also analyzes the performance of recent methods and suggests future research directions to advance the field of MPP.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی خاصیت مولکولی (MPP) نقش مهمی در حوزه های متنوع ، کشف مواد مخدر ، علوم مواد و شیمی محیطی ایفا می کند.سالهای اخیر با رشد نمایی داده های شیمیایی و تکامل هوش مصنوعی ، سالهای اخیر شاهد گام های قابل توجهی در MPP بوده است.با این حال ، ماهیت چند جانبه داده های مولکولی ، مانند ساختارهای مولکولی ، نشانه گذاری لبخند و تصاویر مولکولی ، همچنان یک چالش اساسی در بازنمایی مؤثر آن است.برای پرداختن به این موضوع ، تکنیک های یادگیری بازنمایی نقش مهمی دارند زیرا بازنمایی های آموزنده و قابل تفسیر داده های مولکولی را بدست می آورند.در این مقاله به بررسی رویکردهای اخیر AI/مبتنی بر MPP می پردازیم ، با تمرکز بر روی هر دو روش بازنمایی روش تک و چندگانه.این نمای کلی از بازنمودهای مختلف مولکول و طرح های رمزگذاری را ارائه می دهد ، روش های MPP را با استفاده از روشها طبقه بندی می کند ، و مجموعه داده ها و ابزارهای موجود برای تولید ویژگی را تشریح می کند.این مقاله همچنین عملکرد روشهای اخیر را مورد تجزیه و تحلیل قرار داده و روشهای تحقیق آینده را برای پیشبرد زمینه MPP نشان می دهد.