論文の概要: FLOWR: Flow Matching for Structure-Aware De Novo, Interaction- and Fragment-Based Ligand Generation

• arxiv url: http://arxiv.org/abs/2504.10564v1
• Date: Mon, 14 Apr 2025 17:18:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-16 22:05:40.204085
• Title: FLOWR: Flow Matching for Structure-Aware De Novo, Interaction- and Fragment-Based Ligand Generation
• Title（参考訳）: FLOWR: 構造を考慮したデノボ・相互作用・フラグメントに基づくリガンド生成のためのフローマッチング
• Authors: Julian Cremer, Ross Irwin, Alessandro Tibot, Jon Paul Janet, Simon Olsson, Djork-Arné Clevert,
• Abstract要約: FLOWRは3次元構造の生成と最適化のための新しいフレームワークである。 FLOWRは、PoseBustersの妥当性の観点から、最先端の拡散とフローベースのメソッドを超越し、精度とインタラクションの回復を図っている。
• 参考スコア（独自算出の注目度）: 40.624711262861666
• License:
• Abstract: We introduce FLOWR, a novel structure-based framework for the generation and optimization of three-dimensional ligands. FLOWR integrates continuous and categorical flow matching with equivariant optimal transport, enhanced by an efficient protein pocket conditioning. Alongside FLOWR, we present SPINDR, a thoroughly curated dataset comprising ligand-pocket co-crystal complexes specifically designed to address existing data quality issues. Empirical evaluations demonstrate that FLOWR surpasses current state-of-the-art diffusion- and flow-based methods in terms of PoseBusters-validity, pose accuracy, and interaction recovery, while offering a significant inference speedup, achieving up to 70-fold faster performance. In addition, we introduce FLOWR.multi, a highly accurate multi-purpose model allowing for the targeted sampling of novel ligands that adhere to predefined interaction profiles and chemical substructures for fragment-based design without the need of re-training or any re-sampling strategies
• Abstract（参考訳）: 三次元リガンドの生成と最適化のための新しい構造ベースフレームワークであるFLOWRを紹介する。 FLOWRは、効率的なタンパク質ポケットコンディショニングによって強化された等変最適輸送と、連続的およびカテゴリー的フローマッチングを統合する。 FLOWRと並行して,既存のデータ品質問題に対処するために設計された,配位子-ポケット共結晶複合体からなる完全キュレートされたデータセットであるSPINDRを提案する。 実証的な評価では、FLOWRは、PoseBusters-validity、s pose accuracy、インタラクションリカバリの観点から、現在最先端の拡散およびフローベースのメソッドを超越し、大きな推論スピードアップを提供し、最大70倍高速なパフォーマンスを実現している。 さらに、FLOWR.multiという高精度な多目的モデルを導入し、リトレーニングや再サンプリング戦略を必要とせずに、事前に定義された相互作用プロファイルとフラグメントベース設計のための化学的サブ構造に準拠する新規リガンドのターゲットサンプリングを可能にする。

関連論文リスト

• Generative Autoregressive Transformers for Model-Agnostic Federated MRI Reconstruction [5.519160766363227]
  FedGATは、生成的自己回帰変換器に基づくモデルに依存しないFL技術である。 マルチサイトMR画像の分布をキャプチャするグローバルな生成前のトレーニングを分散化する。 フレキシブルなコラボレーションをサポートしながら、より優れたサイト内およびサイト間再構築のパフォーマンスを楽しみます。
  論文  参考訳（メタデータ） (2025-02-06T21:45:16Z)
• DeFoG: Discrete Flow Matching for Graph Generation [45.037260759871124]
  DeFoGは、トレーニングからサンプリングをアンタングルするグラフ生成フレームワークである。 本稿では,性能を著しく向上し,必要な精錬工程数を削減できる新しいサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2024-10-05T18:52:54Z)
• On ADMM in Heterogeneous Federated Learning: Personalization, Robustness, and Fairness [16.595935469099306]
  本稿では,乗算器の交互方向法(ADMM)を利用して,パーソナライズおよびグローバルモデルの学習を行う最適化フレームワークFLAMEを提案する。 我々の理論的解析は、軽度の仮定の下で、FLAMEのグローバル収束と2種類の収束速度を確立する。 実験の結果,FLAMEは収束と精度において最先端の手法より優れており,各種攻撃下では高い精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2024-07-23T11:35:42Z)
• Vertical Federated Learning over Cloud-RAN: Convergence Analysis and System Optimization [82.12796238714589]
  高速かつ正確なモデルアグリゲーションを実現するために,クラウド無線アクセスネットワーク(Cloud-RAN)ベースの垂直FLシステムを提案する。 アップリンクとダウンリンクの両方の伝送を考慮した垂直FLアルゴリズムの収束挙動を特徴付ける。 我々は,連続凸近似と代替凸探索に基づくシステム最適化アルゴリズムを開発した,連系トランシーバとフロントホール量子化設計によるシステム最適化フレームワークを構築した。
  論文  参考訳（メタデータ） (2023-05-04T09:26:03Z)
• Clustered Federated Learning based on Nonconvex Pairwise Fusion [22.82565500426576]
  我々はFusion Clustering (FPFC)と呼ばれる新しいクラスタリングFL設定を導入する。 FPFCは、各通信で部分的な更新を行うことができ、可変ワークロードによる並列計算を可能にする。 また,FLFCの全般的損失とロバスト性を考慮した新しい実用戦略を提案する。
  論文  参考訳（メタデータ） (2022-11-08T13:04:56Z)
• NET-FLEET: Achieving Linear Convergence Speedup for Fully Decentralized Federated Learning with Heterogeneous Data [12.701031075169887]
  フェデレーテッド・ラーニング(FL)は、データプライバシ保護、効率的な通信、並列データ処理といったメリットにより、近年、注目を集めている。 FLの既存の作業の多くは、データと集中型パラメータサーバを持つシステムに限られている。 我々は、データ不均一性を持つ完全分散FLシステムのための新しいアルゴリズム、NET-FLEETを提案する。
  論文  参考訳（メタデータ） (2022-08-17T19:17:23Z)
• Disentangled Federated Learning for Tackling Attributes Skew via Invariant Aggregation and Diversity Transferring [104.19414150171472]
  属性は、クライアント間の一貫した最適化方向から、現在の連邦学習(FL)フレームワークを歪めます。 本稿では,ドメイン固有属性とクロス不変属性を2つの補足枝に分離するために,非絡み付きフェデレーション学習(DFL)を提案する。 実験により、DFLはSOTA FL法と比較して高い性能、より良い解釈可能性、より高速な収束率でFLを促進することが確認された。
  論文  参考訳（メタデータ） (2022-06-14T13:12:12Z)
• CAFE: Learning to Condense Dataset by Aligning Features [72.99394941348757]
  本稿ではCAFE(Aligning features)によるCondenseデータセットの新しいスキームを提案する。 このアプローチの核心は、さまざまなスケールにわたる実データと合成データから機能を整合させる効果的な戦略です。 提案したCAFEを様々なデータセットで検証し,概ね最先端技術であることを示す。
  論文  参考訳（メタデータ） (2022-03-03T05:58:49Z)
• GMFlow: Learning Optical Flow via Global Matching [124.57850500778277]
  光フロー推定学習のためのGMFlowフレームワークを提案する。 機能拡張のためのカスタマイズトランスフォーマー、グローバル機能マッチングのための相関層とソフトマックス層、フロー伝搬のための自己保持層である。 我々の新しいフレームワークは、挑戦的なSintelベンチマークにおいて、32項目RAFTのパフォーマンスより優れています。
  論文  参考訳（メタデータ） (2021-11-26T18:59:56Z)
• FPCR-Net: Feature Pyramidal Correlation and Residual Reconstruction for Optical Flow Estimation [72.41370576242116]
  フレーム対からの光フロー推定のための半教師付き特徴ピラミッド相関・残留再構成ネットワーク(FPCR-Net)を提案する。 ピラミッド相関マッピングと残留再構成の2つの主要なモジュールで構成されている。 実験結果から,提案手法は,平均終点誤差 (AEE) に対して0.80, 1.15, 0.10の改善を達成し,最先端性能を実現していることがわかった。
  論文  参考訳（メタデータ） (2020-01-17T07:13:51Z)

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。