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

• Unified Guidance for Geometry-Conditioned Molecular Generation [41.94578826467316]
  非条件拡散モデルの幾何学的ガイダンスを制御するためのフレームワークであるUniGuideを紹介する。 構造ベース,フラグメントベース,リガンドベースの薬物設計などの応用がUniGuideフレームワークでどのように構成されているかを示す。
  論文  参考訳（メタデータ） (2025-01-05T12:58:01Z)
• Cliqueformer: Model-Based Optimization with Structured Transformers [102.55764949282906]
  大規模なニューラルネットワークは予測タスクに優れるが、タンパク質工学や材料発見といった設計問題への応用には、オフラインモデルベース最適化(MBO)の問題を解決する必要がある。 機能的グラフィカルモデル(FGM)を用いてブラックボックス関数の構造を学習するトランスフォーマーベースのアーキテクチャであるCliqueformerを提案する。 化学および遺伝子設計タスクを含む様々な領域において、Cliqueformerは既存の方法よりも優れた性能を示している。
  論文  参考訳（メタデータ） (2024-10-17T00:35:47Z)
• Generative Modeling of Molecular Dynamics Trajectories [12.255021091552441]
  データからMDの柔軟なマルチタスクサロゲートモデルを学ぶためのパラダイムとして,分子軌道の生成モデルを提案する。 このような生成モデルは,前方シミュレーションや遷移経路サンプリング,軌道上アップサンプリングといった多様なタスクに適応可能であることを示す。
  論文  参考訳（メタデータ） (2024-09-26T13:02:28Z)
• DecompOpt: Controllable and Decomposed Diffusion Models for Structure-based Molecular Optimization [49.85944390503957]
  DecompOptは、制御可能・拡散モデルに基づく構造に基づく分子最適化手法である。 DecompOptは強いde novoベースラインよりも優れた特性を持つ分子を効率よく生成できることを示す。
  論文  参考訳（メタデータ） (2024-03-07T02:53:40Z)
• Bidirectional Generation of Structure and Properties Through a Single Molecular Foundation Model [44.60174246341653]
  本稿では, 構造と生化学的性質を組み込んだ, 新規なマルチモーダル分子事前学習モデルを提案する。 提案するデータハンドリングおよびトレーニング目的のモデルパイプラインは、共通埋め込み空間における構造/プロパティの特徴を整合させる。 これらのコントリビューションは相乗的知識を生み出し、単一のモデルでマルチモーダルと非モーダルの両方の下流タスクに取り組むことができる。
  論文  参考訳（メタデータ） (2022-11-19T05:16:08Z)
• 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)
• Learning Multi-Objective Curricula for Deep Reinforcement Learning [55.27879754113767]
  深部強化学習(DRL)のサンプル効率と最終性能を向上させるために,各種自動カリキュラム学習(ACL)手法が提案されている。 本稿では,多目的だがコヒーレントなカリキュラムを作成するための統合された自動カリキュラム学習フレームワークを提案する。 既存の手設計のカリキュラムパラダイムに加えて,抽象カリキュラムを学習するためのフレキシブルなメモリ機構を設計する。
  論文  参考訳（メタデータ） (2021-10-06T19:30:25Z)
• Learning Neural Generative Dynamics for Molecular Conformation Generation [89.03173504444415]
  分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。 分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-02-20T03:17:58Z)

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。