論文の概要: ControlMol: Adding Substructure Control To Molecule Diffusion Models
- arxiv url: http://arxiv.org/abs/2405.06659v2
- Date: Sat, 21 Dec 2024 08:22:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-24 15:52:43.803979
- Title: ControlMol: Adding Substructure Control To Molecule Diffusion Models
- Title(参考訳): ControlMol: 分子拡散モデルにサブ構造制御を追加する
- Authors: Qi Zhengyang, Liu Zijing, Zhang Jiying, Cao He, Li Yu,
- Abstract要約: 条件学習と条件最適化を組み合わせた2段階の訓練手法を提案する。
実験では, ランダムに分割したサブ構造データのみを学習し, より有効で多様な分子を生成することにより, 従来の手法より優れていた。
- 参考スコア(独自算出の注目度): 2.8372258697984627
- License:
- Abstract: Due to the vast design space of molecules, generating molecules conditioned on a specific sub-structure relevant to a particular function or therapeutic target is a crucial task in computer-aided drug design. Existing works mainly focus on specific tasks, such as linker design or scaffold hopping, each task requires training a model from scratch, and many well-pretrained De Novo molecule generation model parameters are not effectively utilized. To this end, we propose a two-stage training approach, consisting of condition learning and condition optimization. In the condition learning stage, we adopt the idea of ControlNet and design some meaningful adjustments to make the unconditional generative model learn sub-structure conditioned generation. In the condition optimization stage, by using human preference learning, we further enhance the stability and robustness of sub-structure control. In our experiments, only trained on randomly partitioned sub-structure data, the proposed method outperforms previous techniques by generating more valid and diverse molecules. Our method is easy to implement and can be quickly applied to various pre-trained molecule generation models.
- Abstract(参考訳): 分子の広大な設計空間のため、特定の機能や治療対象に関連する特定のサブ構造に条件付けされた分子を生成することは、コンピュータ支援薬物設計において重要な課題である。
既存の作業は主にリンカー設計や足場ホッピングのような特定のタスクに焦点を当てており、各タスクはスクラッチからモデルをトレーニングする必要がある。
そこで本研究では,条件学習と条件最適化を組み合わせた2段階の学習手法を提案する。
条件学習段階では、制御ネットの考え方を採用し、無条件生成モデルにサブ構造条件付き生成を学習させる意味のある調整を設計する。
条件最適化の段階では、人間の嗜好学習を用いることで、サブ構造制御の安定性と堅牢性をさらに向上する。
実験では, ランダムに分割したサブ構造データのみを学習し, より有効で多様な分子を生成することにより, 従来の手法より優れていた。
本手法は実装が容易であり, 種々の事前学習分子生成モデルに適用可能である。
関連論文リスト
- MolMiner: Transformer architecture for fragment-based autoregressive generation of molecular stories [7.366789601705544]
生成過程の化学的妥当性、解釈可能性、可変分子サイズへの柔軟性は、計算材料設計における生成モデルに残る課題の1つである。
本稿では,分子生成を離散的かつ解釈可能なステップの列に分解する自己回帰的手法を提案する。
この結果から,本モデルでは,提案した多目的目標目標に応じて,生成分布を効果的にバイアスすることができることがわかった。
論文 参考訳(メタデータ) (2024-11-10T22:00:55Z) - Conditional Synthesis of 3D Molecules with Time Correction Sampler [58.0834973489875]
Time-Aware Conditional Synthesis (TACS) は拡散モデルにおける条件生成の新しい手法である。
適応的に制御されたプラグアンドプレイの"オンライン"ガイダンスを拡散モデルに統合し、サンプルを所望の特性に向けて駆動する。
論文 参考訳(メタデータ) (2024-11-01T12:59:25Z) - Diffusion Models in $\textit{De Novo}$ Drug Design [0.0]
拡散モデルは、特に3次元分子構造の文脈において、分子生成の強力なツールとして登場した。
本稿では,3次元分子生成に適した拡散モデルの技術的実装について述べる。
論文 参考訳(メタデータ) (2024-06-07T06:34:13Z) - LDMol: Text-to-Molecule Diffusion Model with Structurally Informative Latent Space [55.5427001668863]
テキスト条件付き分子生成のための遅延拡散モデル LDMol を提案する。
LDMolは、学習可能で構造的に有意な特徴空間を生成する分子オートエンコーダを含む。
我々は,LDMolを分子間検索やテキスト誘導分子編集などの下流タスクに適用できることを示す。
論文 参考訳(メタデータ) (2024-05-28T04:59:13Z) - Molecule Design by Latent Space Energy-Based Modeling and Gradual
Distribution Shifting [53.44684898432997]
化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。
本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。
本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
論文 参考訳(メタデータ) (2023-06-09T03:04:21Z) - MUDiff: Unified Diffusion for Complete Molecule Generation [104.7021929437504]
本稿では,原子の特徴,2次元離散分子構造,および3次元連続分子座標を含む分子の包括的表現を生成する新しいモデルを提案する。
拡散過程を認知するための新しいグラフトランスフォーマーアーキテクチャを提案する。
我々のモデルは、安定で多様な分子を設計するための有望なアプローチであり、分子モデリングの幅広いタスクに適用できる。
論文 参考訳(メタデータ) (2023-04-28T04:25:57Z) - Modeling Molecular Structures with Intrinsic Diffusion Models [2.487445341407889]
本論文は本質的拡散モデリングを提案する。
拡散生成モデルと生物学的複合体の柔軟性に関する科学的知識を組み合わせる。
計算化学と生物学に基づく2つの基本的な課題に対して,本手法の有効性を実証する。
論文 参考訳(メタデータ) (2023-02-23T03:26:48Z) - Retrieval-based Controllable Molecule Generation [63.44583084888342]
制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。
我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。
提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
論文 参考訳(メタデータ) (2022-08-23T17:01:16Z) - Molecular Attributes Transfer from Non-Parallel Data [57.010952598634944]
分子最適化をスタイル伝達問題として定式化し、非並列データの2つのグループ間の内部差を自動的に学習できる新しい生成モデルを提案する。
毒性修飾と合成性向上という2つの分子最適化タスクの実験により,本モデルがいくつかの最先端手法を著しく上回ることを示した。
論文 参考訳(メタデータ) (2021-11-30T06:10:22Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。