論文の概要: MetaMolGen: A Neural Graph Motif Generation Model for De Novo Molecular Design

• arxiv url: http://arxiv.org/abs/2504.15587v1
• Date: Tue, 22 Apr 2025 05:04:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-30 22:22:40.900979
• Title: MetaMolGen: A Neural Graph Motif Generation Model for De Novo Molecular Design
• Title（参考訳）: MetaMolGen: De Novo分子設計のためのニューラルグラフモチーフ生成モデル
• Authors: Zimo Yan, Jie Zhang, Zheng Xie, Chang Liu, Yizhen Liu, Yiping Song,
• Abstract要約: 本稿では,メタ学習に基づく分子生成システムMetaMolGenを提案する。 グラフモチーフの分布を正規化された潜在空間にマッピングすることで標準化し、軽量な自己回帰シーケンスモデルを用いてSMILESシーケンスを生成する。 生成プロセスに統合された学習可能なプロパティプロジェクターを通じて、ターゲット特性を持つ分子の条件付き生成をサポートする。
• 参考スコア（独自算出の注目度）: 11.614346021222017
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Molecular generation plays an important role in drug discovery and materials science, especially in data-scarce scenarios where traditional generative models often struggle to achieve satisfactory conditional generalization. To address this challenge, we propose MetaMolGen, a first-order meta-learning-based molecular generator designed for few-shot and property-conditioned molecular generation. MetaMolGen standardizes the distribution of graph motifs by mapping them to a normalized latent space, and employs a lightweight autoregressive sequence model to generate SMILES sequences that faithfully reflect the underlying molecular structure. In addition, it supports conditional generation of molecules with target properties through a learnable property projector integrated into the generative process.Experimental results demonstrate that MetaMolGen consistently generates valid and diverse SMILES sequences under low-data regimes, outperforming conventional baselines. This highlights its advantage in fast adaptation and efficient conditional generation for practical molecular design.
• Abstract（参考訳）: 分子生成は、薬物発見と物質科学において重要な役割を担い、特に、伝統的な生成モデルが満足な条件付き一般化を達成するのにしばしば苦労するデータ共有シナリオにおいて重要である。 この課題に対処するために,メタMolGenを提案する。MetaMolGenは,少数ショットおよび特性条件付き分子生成用に設計された,一階のメタラーニングに基づく分子生成装置である。 MetaMolGenは、正規化された潜在空間にマッピングすることでグラフモチーフの分布を標準化し、基盤となる分子構造を忠実に反映するSMILES配列を生成するために軽量な自己回帰配列モデルを使用する。 実験の結果,MetaMolGen は低データ状態下で有効で多様なSMILES 配列を連続的に生成し,従来のベースラインよりも優れていた。 このことは、実用的な分子設計のための高速適応と効率的な条件生成の利点を強調している。

関連論文リスト

• UniGenX: Unified Generation of Sequence and Structure with Autoregressive Diffusion [61.690978792873196]
  既存のアプローチは自己回帰シーケンスモデルか拡散モデルのいずれかに依存している。 自己回帰的次トーケン予測と条件拡散モデルを組み合わせた統合フレームワークUniGenXを提案する。 材料および小分子生成タスクにおけるUniGenXの有効性を検証する。
  論文  参考訳（メタデータ） (2025-03-09T16:43:07Z)
• GenMol: A Drug Discovery Generalist with Discrete Diffusion [43.29814519270451]
  Generalist Molecular Generative Model (GenMol) は、薬物発見パイプラインの様々な側面に対処する汎用的なフレームワークである。 離散拡散フレームワークでは、フラグメントをマスク付きトークンに置き換えることで分子を最適化するフラグメントリマッシングを導入する。 GenMolは、デノボ生成およびフラグメント制約生成においてSAFE表現に基づいてトレーニングされた以前のGPTベースのモデルよりも大幅に優れている。
  論文  参考訳（メタデータ） (2025-01-10T18:30:05Z)
• 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)
• Pre-trained Molecular Language Models with Random Functional Group Masking [54.900360309677794]
  SMILESをベースとしたアンダーリネム分子アンダーリネム言語アンダーリネムモデルを提案し,特定の分子原子に対応するSMILESサブシーケンスをランダムにマスキングする。 この技術は、モデルに分子構造や特性をよりよく推測させ、予測能力を高めることを目的としている。
  論文  参考訳（メタデータ） (2024-11-03T01:56:15Z)
• Geometric Representation Condition Improves Equivariant Molecule Generation [24.404588237915732]
  分子生成モデルの性能向上のためのフレームワークであるGeoRCGを紹介する。 分子生成過程を2段階に分解し,まず情報的幾何学的表現を生成する。 我々は、広く使われているQM9およびGEOM-DRUGデータセット上での無条件分子生成タスクの大幅な品質改善を観察した。
  論文  参考訳（メタデータ） (2024-10-04T17:57:35Z)
• Rethinking Molecular Design: Integrating Latent Variable and Auto-Regressive Models for Goal Directed Generation [0.6800113478497425]
  我々は、分子の最も単純な表現に戻り、古典的生成的アプローチの見過ごされた制限を調査する。 本稿では, 分子配列の妥当性, 条件生成, スタイル伝達を改善するために, 両者の強みを生かした, 新規な正則化器の形でのハイブリッドモデルを提案する。
  論文  参考訳（メタデータ） (2024-08-19T11:50:23Z)
• Molecular De Novo Design through Transformer-based Reinforcement Learning [38.803770968809225]
  分子デノボ設計のためのトランスフォーマーを用いた生成モデルを微調整する手法を提案する。 提案手法は, 種々の生物標的に対して活性を示すと予測された化合物の生成において, 優れた性能を示す。 本手法は, 足場ホッピング, 単一分子からのライブラリ拡張, 生物標的に対する高い活性の化合物の生成に有効である。
  論文  参考訳（メタデータ） (2023-10-09T02:51:01Z)
• MolCPT: Molecule Continuous Prompt Tuning to Generalize Molecular Representation Learning [77.31492888819935]
  分子表現学習のための「プリトレイン,プロンプト,ファインチューン」という新しいパラダイム,分子連続プロンプトチューニング(MolCPT)を提案する。 MolCPTは、事前訓練されたモデルを使用して、スタンドアロンの入力を表現的なプロンプトに投影するモチーフプロンプト関数を定義する。 いくつかのベンチマークデータセットの実験により、MollCPTは分子特性予測のために学習済みのGNNを効率的に一般化することが示された。
  論文  参考訳（メタデータ） (2022-12-20T19:32:30Z)
• 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)
• Few-Shot Graph Learning for Molecular Property Prediction [46.60746023179724]
  分子特性予測の新しいモデルであるMeta-MGNNを提案する。 ラベルのない分子情報を利用するため、Meta-MGNNはさらに分子構造、属性ベースの自己監視モジュール、および自己注意のタスクウェイトを組み込む。 2つの公開マルチプロパティデータセットに関する広範な実験は、Meta-MGNNがさまざまな最先端のメソッドを上回っていることを示しています。
  論文  参考訳（メタデータ） (2021-02-16T01:55:34Z)
• Conditional Constrained Graph Variational Autoencoders for Molecule Design [70.59828655929194]
  本稿では、このキーイデアを最先端のモデルで実装した、条件制約付きグラフ変分オートエンコーダ(CCGVAE)を提案する。 分子生成のために広く採用されている2つのデータセットについて、いくつかの評価指標について改善した結果を示す。
  論文  参考訳（メタデータ） (2020-09-01T21:58:07Z)

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。