論文の概要: UniMoMo: Unified Generative Modeling of 3D Molecules for De Novo Binder Design

• arxiv url: http://arxiv.org/abs/2503.19300v1
• Date: Tue, 25 Mar 2025 03:01:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-26 16:53:42.748013
• Title: UniMoMo: Unified Generative Modeling of 3D Molecules for De Novo Binder Design
• Title（参考訳）: UniMoMo:De Novoバインダー設計のための3次元分子の統一生成モデリング
• Authors: Xiangzhe Kong, Zishen Zhang, Ziting Zhang, Rui Jiao, Jianzhu Ma, Kai Liu, Wenbing Huang, Yang Liu,
• Abstract要約: 単一モデルを用いて複数の分子ドメインの結合体を設計できる最初のフレームワークである3次元分子の統一生成モデリング(UniMoMo)を紹介する。 特に、UniMoMoは、それぞれのブロックが標準アミノ酸または分子断片に対応するブロックのグラフとして異なる分子の表現を統一する。
• 参考スコア（独自算出の注目度）: 29.46574500190074
• License:
• Abstract: The design of target-specific molecules such as small molecules, peptides, and antibodies is vital for biological research and drug discovery. Existing generative methods are restricted to single-domain molecules, failing to address versatile therapeutic needs or utilize cross-domain transferability to enhance model performance. In this paper, we introduce Unified generative Modeling of 3D Molecules (UniMoMo), the first framework capable of designing binders of multiple molecular domains using a single model. In particular, UniMoMo unifies the representations of different molecules as graphs of blocks, where each block corresponds to either a standard amino acid or a molecular fragment. Based on these unified representations, UniMoMo utilizes a geometric latent diffusion model for 3D molecular generation, featuring an iterative full-atom autoencoder to compress blocks into latent space points, followed by an E(3)-equivariant diffusion process. Extensive benchmarks across peptides, antibodies, and small molecules demonstrate the superiority of our unified framework over existing domain-specific models, highlighting the benefits of multi-domain training.
• Abstract（参考訳）: 小分子、ペプチド、抗体などの標的特異的分子の設計は、生物学的研究や薬物発見に不可欠である。 既存の生成方法は単一ドメイン分子に制限され、汎用的な治療ニーズに対処したり、モデル性能を高めるためにクロスドメイン転送性を利用することができない。 本稿では,1つのモデルを用いて複数の分子ドメインのバインダーを設計できる最初のフレームワークである3次元分子の統一生成モデリング(UniMoMo)を紹介する。 特に、UniMoはブロックのグラフとして異なる分子の表現を統一し、それぞれのブロックは標準アミノ酸または分子断片に対応する。 これらの統一表現に基づいて、UniMoは幾何学的潜在拡散モデルを用いて3次元分子生成を行う。 ペプチド、抗体、小分子にわたる広範囲なベンチマークでは、既存のドメイン固有モデルよりも統合されたフレームワークが優れていることが示され、マルチドメイントレーニングの利点が浮かび上がっています。

関連論文リスト

• D3MES: Diffusion Transformer with multihead equivariant self-attention for 3D molecule generation [1.3791394805787949]
  本稿では,拡散モデルDiffusion Transformerとマルチヘッド同型自己アテンションを組み合わせた3次元分子生成のための拡散モデルを提案する。 この方法は、2つの主要な課題に対処する: 水素原子を除去した後、分子の表現を学ぶことによって生成分子に水素原子を正しく取り付けること; 同時に複数のクラスにまたがる分子を生成できない既存のモデルの限界を克服すること。
  論文  参考訳（メタデータ） (2025-01-13T06:16:11Z)
• 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)
• 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)
• UniIF: Unified Molecule Inverse Folding [67.60267592514381]
  全分子の逆折り畳みのための統一モデルUniIFを提案する。 提案手法は,全タスクにおける最先端手法を超越した手法である。
  論文  参考訳（メタデータ） (2024-05-29T10:26:16Z)
• 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)
• Diffusing on Two Levels and Optimizing for Multiple Properties: A Novel Approach to Generating Molecules with Desirable Properties [33.2976176283611]
  本稿では,分子を望ましい性質で生成する新しい手法を提案する。 望ましい分子断片を得るため,我々は新しい電子効果に基づくフラグメンテーション法を開発した。 提案手法により生成する分子は, 従来のSOTAモデルより有効, 特異性, 新規性, Fr'echet ChemNet Distance (FCD), QED, PlogP を有することを示す。
  論文  参考訳（メタデータ） (2023-10-05T11:43:21Z)
• 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)
• Generation of 3D Molecules in Pockets via Language Model [0.0]
  逐次線記法(SMILES)やグラフ表現に基づく分子の生成モデルは、構造に基づく薬物設計の分野への関心が高まっている。 本稿では,言語モデルと幾何学的深層学習技術を組み合わせたポケットベースの3次元分子生成手法であるLingo3DMolを紹介する。
  論文  参考訳（メタデータ） (2023-05-17T11:31:06Z)
• 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)
• Equivariant 3D-Conditional Diffusion Models for Molecular Linker Design [82.23006955069229]
  分子リンカ設計のためのE(3)等価な3次元拡散モデルDiffLinkerを提案する。 我々のモデルは、欠落した原子を中間に配置し、初期フラグメントを全て組み込んだ分子を設計する。 DiffLinkerは、より多種多様な合成可能な分子を生成する標準データセット上で、他の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T09:13:37Z)
• Scalable Fragment-Based 3D Molecular Design with Reinforcement Learning [68.8204255655161]
  分子構築に階層的エージェントを用いるスケーラブルな3D設計のための新しいフレームワークを提案する。 様々な実験において、エネルギーのみを考慮に入れたエージェントが、100以上の原子を持つ分子を効率よく生成できることが示されている。
  論文  参考訳（メタデータ） (2022-02-01T18:54:24Z)

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。