論文の概要: Generative Molecular Design with Steerable and Granular Synthesizability Control

• arxiv url: http://arxiv.org/abs/2505.08774v1
• Date: Tue, 13 May 2025 17:53:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-14 20:57:54.698926
• Title: Generative Molecular Design with Steerable and Granular Synthesizability Control
• Title（参考訳）: ステアブルおよびグラニュラー合成性制御による生成分子設計
• Authors: Jeff Guo, Víctor Sabanza-Gil, Zlatko Jončev, Jeremy S. Luterbacher, Philippe Schwaller,
• Abstract要約: 本稿では, ステアブルおよび粒状合成性制御が可能な分子生成設計フレームワークを提案する。 医薬化学変換においてこれらの反応制約を混合・整合する能力を示す。 当社のフレームワークが,デノボ最適化分子に対する産業副産物のバリデーションにどのように活用できるかを実証する。
• 参考スコア（独自算出の注目度）: 0.3065062372337749
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Synthesizability in small molecule generative design remains a bottleneck. Existing works that do consider synthesizability can output predicted synthesis routes for generated molecules. However, there has been minimal attention in addressing the ease of synthesis and enabling flexibility to incorporate desired reaction constraints. In this work, we propose a small molecule generative design framework that enables steerable and granular synthesizability control. Generated molecules satisfy arbitrary multi-parameter optimization objectives with predicted synthesis routes containing pre-defined allowed reactions, while optionally avoiding others. One can also enforce that all reactions belong to a pre-defined set. We show the capability to mix-and-match these reaction constraints across the most common medicinal chemistry transformations. Next, we show how our framework can be used to valorize industrial byproducts towards de novo optimized molecules. Going further, we demonstrate how granular control over synthesizability constraints can loosely mimic virtual screening of ultra-large make-on-demand libraries. Using only a single GPU, we generate and dock 15k molecules to identify promising candidates in Freedom 4.0 constituting 142B make-on-demand molecules (assessing only 0.00001% of the library). Generated molecules satisfying the reaction constraints have > 90% exact match rate. Lastly, we benchmark our framework against recent synthesizability-constrained generative models and demonstrate the highest sample efficiency even when imposing the additional constraint that all molecules must be synthesizable from a single reaction type. The main theme is demonstrating that a pre-trained generalist molecular generative model can be incentivized to generate property-optimized small molecules under challenging synthesizability constraints through reinforcement learning.
• Abstract（参考訳）: 小さな分子生成設計における合成性は依然としてボトルネックである。 既存の合成可能性を考慮した研究は、生成分子の予測合成経路を出力することができる。 しかし、合成の容易さへの対処や、望ましい反応制約を組み込む柔軟性の実現には、最小限の注意が払われている。 本研究では, ステアブルおよび粒状合成性制御が可能な分子生成設計フレームワークを提案する。 生成分子は、予め定義された許容反応を含む予測合成経路で任意の多パラメータ最適化目標を満たすが、任意に他の分子を避けることができる。 また、すべての反応が事前に定義された集合に属することを強制することもできる。 医薬化学変換においてこれらの反応制約を混合・整合する能力を示す。 次に, このフレームワークを用いて産業副産物をデノボ最適化分子へ変換する方法を示す。 さらに,超大規模メイクオンオンデマンドライブラリの仮想スクリーニングを緩やかに模倣し,合成可能性制約の粒度制御をいかに行うかを示す。 1つのGPUのみを使用して、15k分子を生成して、142Bのオンデマンド分子を構成するFreedom 4.0の有望な候補を特定する(ライブラリの0.00001%しか評価していない)。 反応制約を満たす生成分子は、90%の正確な一致率を有する。 最後に,最近の合成可能性に制約のある生成モデルに対して,本フレームワークをベンチマークし,全ての分子が単一反応型から合成可能でなければならないという追加制約を課しても,最も高いサンプル効率を示す。 主なテーマは、強化学習による合成可能性の制約に挑戦する性質最適化された小分子を生成するために、事前学習された一般分子生成モデルにインセンティブを与えることができることを示すことである。

関連論文リスト

• RGFN: Synthesizable Molecular Generation Using GFlowNets [51.33672611338754]
  本稿では,化学反応の空間内で直接動作するGFlowNetフレームワークの拡張であるReaction-GFlowNetを提案する。 RGFNは、生成した候補の同等の品質を維持しながら、アウト・オブ・ボックスの合成を可能にする。 提案手法の有効性を,事前訓練されたプロキシモデルやGPUアクセラレーションドッキングなど,さまざまなオラクルモデルに適用した。
  論文  参考訳（メタデータ） (2024-06-01T13:11:11Z)
• SynFlowNet: Design of Diverse and Novel Molecules with Synthesis Constraints [16.21161274235011]
  反応空間が化学反応と精製可能な反応物質を用いて新しい分子を逐次生成するGFlowNetモデルであるSynFlowNetを紹介する。 生成機構の明示的な制約としてフォワード合成を取り入れることで、シリコン分子生成と実世界の合成能力のギャップを埋めることを目指す。
  論文  参考訳（メタデータ） (2024-05-02T10:15:59Z)
• MARS: A Motif-based Autoregressive Model for Retrosynthesis Prediction [54.75583184356392]
  本稿では,レトロシンセシス予測のための新しいエンドツーエンドグラフ生成モデルを提案する。 反応中心を逐次同定し、合成子を生成し、合成子にモチーフを加えて反応子を生成する。 ベンチマークデータセットの実験では、提案されたモデルが従来の最先端のアルゴリズムを大幅に上回っていることが示されている。
  論文  参考訳（メタデータ） (2022-09-27T06:29:35Z)
• MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [51.00815310242277]
  生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。 本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
  論文  参考訳（メタデータ） (2020-10-05T20:18:42Z)
• Learning Graph Models for Retrosynthesis Prediction [90.15523831087269]
  再合成予測は有機合成の基本的な問題である。 本稿では,前駆体分子のグラフトポロジーが化学反応中にほとんど変化しないという考え方を生かしたグラフベースのアプローチを提案する。 提案モデルでは,テンプレートフリーおよび半テンプレートベースの手法よりも高い5,3.7%の精度でトップ1の精度を実現している。
  論文  参考訳（メタデータ） (2020-06-12T09:40:42Z)

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。