論文の概要: Evolutionary training-free guidance in diffusion model for 3D multi-objective molecular generation

• arxiv url: http://arxiv.org/abs/2505.11037v2
• Date: Mon, 19 May 2025 06:06:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-23 14:49:22.427355
• Title: Evolutionary training-free guidance in diffusion model for 3D multi-objective molecular generation
• Title（参考訳）: 3次元多目的分子生成のための拡散モデルにおける進化的学習自由誘導
• Authors: Ruiqing Sun, Dawei Feng, Sen Yang, Yijie Wang, Huaimin Wang,
• Abstract要約: EGDは、拡散サンプリングプロセスに直接進化的演算子を組み込む、トレーニング不要のフレームワークである。 単一およびマルチターゲットの3D条件生成タスクでは、EGDは最先端条件拡散法を精度良く上回り、1世代あたり最大5倍高速に動作します。 EGDは任意の3Dフラグメントを生成分子に埋め込むことができ、複数の衝突特性を1つの統一プロセスで最適化することができる。
• 参考スコア（独自算出の注目度）: 13.140891054725962
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Discovering novel 3D molecular structures that simultaneously satisfy multiple property targets remains a central challenge in materials and drug design. Although recent diffusion-based models can generate 3D conformations, they require expensive retraining for each new property or property-combination and lack flexibility in enforcing structural constraints. We introduce EGD (Evolutionary Guidance in Diffusion), a training-free framework that embeds evolutionary operators directly into the diffusion sampling process. By performing crossover on noise-perturbed samples and then denoising them with a pretrained Unconditional diffusion model, EGD seamlessly blends structural fragments and steers generation toward user-specified objectives without any additional model updates. On both single- and multi-target 3D conditional generation tasks-and on multi-objective optimization of quantum properties EGD outperforms state-of-the-art conditional diffusion methods in accuracy and runs up to five times faster per generation. In the single-objective optimization of protein ligands, EGD enables customized ligand generation. Moreover, EGD can embed arbitrary 3D fragments into the generated molecules while optimizing multiple conflicting properties in one unified process. This combination of efficiency, flexibility, and controllable structure makes EGD a powerful tool for rapid, guided exploration of chemical space.
• Abstract（参考訳）: 複数の特性目標を同時に満たす新しい3D分子構造を発見することは、材料や医薬品の設計において中心的な課題である。 最近の拡散モデルでは3Dコンフォーメーションを生成することができるが、新しいプロパティやプロパティの組み合わせごとに高価な再トレーニングが必要であり、構造的制約を強制する柔軟性が欠如している。 本稿では,拡散サンプリングプロセスに直接進化的演算子を組み込むトレーニングフリーフレームワークであるEGD(Evolutionary Guidance in Diffusion)を紹介する。 ノイズ摂動サンプルのクロスオーバーを実行し、事前訓練された無条件拡散モデルでデノベートすることで、EGDは、追加のモデル更新なしに、ユーザ指定対象に対して構造的フラグメントとステア生成をシームレスにブレンドする。 単一およびマルチターゲットの3D条件生成タスクと、量子特性の多目的最適化では、EGDは最先端条件拡散法を精度良く上回り、1世代あたり最大5倍高速に動作する。 タンパク質リガンドの単一目的最適化において、EGDはカスタマイズされたリガンド生成を可能にする。 さらに、EGDは任意の3Dフラグメントを生成分子に埋め込むことができ、複数の競合特性を1つの統一プロセスで最適化することができる。 この効率性、柔軟性、制御可能な構造の組み合わせにより、EGDは化学空間を迅速かつガイド的に探索するための強力なツールとなる。

関連論文リスト

• Uncertainty-Aware Multi-Objective Reinforcement Learning-Guided Diffusion Models for 3D De Novo Molecular Design [0.8749675983608171]
  本稿では,3次元分子拡散モデルの最適化を導くための不確実性を考慮した強化学習フレームワークを提案する。 自動分子設計を推進するためのRL誘導生成拡散モデルの強い可能性を示す。
  論文  参考訳（メタデータ） (2025-10-24T04:49:23Z)
• Guiding Diffusion Models with Reinforcement Learning for Stable Molecule Generation [16.01877423456416]
  物理フィードバックを用いた強化学習(Reinforcement Learning with Physical Feedback, RLPF)は, 拡散政策最適化を3次元分子生成に拡張する新しいフレームワークである。 RLPFは、力場評価から得られる報酬関数を導入し、エネルギー的に安定で物理的に意味のある構造への生成を導く。 QM9およびGEOM-drugデータセットの実験により、RLPFは既存の方法と比較して分子安定性を著しく改善することが示された。
  論文  参考訳（メタデータ） (2025-08-22T16:44:55Z)
• Generative molecule evolution using 3D pharmacophore for efficient Structure-Based Drug Design [8.652951659846838]
  我々は、数十億の小さな分子データセットと乏しいタンパク質-リガンド複合体データセットのギャップを埋めるMEVOという進化的フレームワークを提案する。 MEVOは, 潜伏空間における分子表現のための高忠実度VQ-VAE, 薬理泳動誘導分子生成のための拡散モデル, 分子最適化のためのポケットアウェア進化戦略の3つの重要な構成要素から構成される。
  論文  参考訳（メタデータ） (2025-07-27T04:58:11Z)
• Towards Unified Latent Space for 3D Molecular Latent Diffusion Modeling [80.59215359958934]
  3次元分子生成は、薬物発見と物質科学に不可欠である。 既存のアプローチは、典型的には不変かつ同変なモジュラリティに対して別々のラテント空間を保持する。 本稿では,3次元分子を結合した潜在空間から潜在配列に圧縮する多モードVAEを提案する。
  論文  参考訳（メタデータ） (2025-03-19T08:56:13Z)
• Straight-Line Diffusion Model for Efficient 3D Molecular Generation [25.63489191042975]
  この問題に対処するために, SLDM(Straight-Line Diffusion Model)を提案する。 3次元分子生成ベンチマークにおけるSLDMの最先端性能はサンプリング効率を100倍に向上させる。 玩具データと画像生成タスクの実験は、SLDMの汎用性とロバスト性を検証する。
  論文  参考訳（メタデータ） (2025-03-04T13:23:58Z)
• Conditional Synthesis of 3D Molecules with Time Correction Sampler [58.0834973489875]
  Time-Aware Conditional Synthesis (TACS) は拡散モデルにおける条件生成の新しい手法である。 適応的に制御されたプラグアンドプレイの"オンライン"ガイダンスを拡散モデルに統合し、サンプルを所望の特性に向けて駆動する。
  論文  参考訳（メタデータ） (2024-11-01T12:59:25Z)
• Structure Language Models for Protein Conformation Generation [66.42864253026053]
  伝統的な物理学に基づくシミュレーション手法は、しばしばサンプリング平衡整合に苦しむ。 深い生成モデルは、より効率的な代替としてタンパク質のコンホメーションを生成することを約束している。 本稿では,効率的なタンパク質コンホメーション生成のための新しいフレームワークとして構造言語モデリングを紹介する。
  論文  参考訳（メタデータ） (2024-10-24T03:38:51Z)
• Fine-Tuning Discrete Diffusion Models via Reward Optimization with Applications to DNA and Protein Design [56.957070405026194]
  拡散モデルにより生成された軌道全体を通して報酬の直接バックプロパゲーションを可能にするアルゴリズムを提案する。 DRAKESは自然に似ており、高い報酬をもたらすシーケンスを生成することができる。
  論文  参考訳（メタデータ） (2024-10-17T15:10:13Z)
• Aligning Target-Aware Molecule Diffusion Models with Exact Energy Optimization [147.7899503829411]
  AliDiffは、事前訓練されたターゲット拡散モデルと望ましい機能特性を整合させる新しいフレームワークである。 最先端の結合エネルギーを持つ分子を最大7.07 Avg. Vina Scoreで生成することができる。
  論文  参考訳（メタデータ） (2024-07-01T06:10:29Z)
• AUTODIFF: Autoregressive Diffusion Modeling for Structure-based Drug Design [16.946648071157618]
  構造に基づく薬物設計のための拡散型フラグメントワイド自己回帰生成モデル(SBDD)を提案する。 我々はまず,分子の局所構造の整合性を保持する共形モチーフという新しい分子組立戦略を設計する。 次に、タンパク質-リガンド複合体とSE(3)等価な畳み込みネットワークとの相互作用をエンコードし、拡散モデルを用いて分子モチーフ・バイ・モチーフを生成する。
  論文  参考訳（メタデータ） (2024-04-02T14:44:02Z)
• 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)
• Molecule Design by Latent Prompt Transformer [76.2112075557233]
  本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。 本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-27T03:33:23Z)
• Navigating the Design Space of Equivariant Diffusion-Based Generative Models for De Novo 3D Molecule Generation [1.3124513975412255]
  深部生成拡散モデル(Deep Generative diffusion model)は、材料科学と薬物発見における3D de novo分子設計のための有望な道である。 E(3)-同変拡散モデルの設計空間を探索し、未探索領域に焦点をあてる。 本稿では,QM9データセットとGEOM-Drugsデータセットの確立したモデルよりも一貫して優れるEQGAT-diffモデルを提案する。
  論文  参考訳（メタデータ） (2023-09-29T14:53:05Z)
• Protein Design with Guided Discrete Diffusion [67.06148688398677]
  タンパク質設計における一般的なアプローチは、生成モデルと条件付きサンプリングのための識別モデルを組み合わせることである。 離散拡散モデルのためのガイダンス手法であるdiffusioN Optimized Smpling (NOS)を提案する。 NOSは、構造に基づく手法の重要な制限を回避し、シーケンス空間で直接設計を行うことができる。
  論文  参考訳（メタデータ） (2023-05-31T16:31:24Z)
• 3D Equivariant Diffusion for Target-Aware Molecule Generation and Affinity Prediction [9.67574543046801]
  標的薬物設計における3D構造の導入は、他の標的のないモデルよりも優れた性能を示す。 上記の課題を解決するために,3次元同変拡散モデルを開発した。 我々のモデルは、より現実的な3D構造とタンパク質標的に対する親和性を持つ分子を生成し、再学習することなく結合親和性ランキングと予測を改善することができる。
  論文  参考訳（メタデータ） (2023-03-06T23:01:43Z)
• Structure-based Drug Design with Equivariant Diffusion Models [40.73626627266543]
  本稿では,タンパク質ポケットに新しい条件を付加したSE(3)-同変拡散モデルDiffSBDDを提案する。 我々のサイリコ実験では、DiffSBDDが地上の真実データの統計を効果的に捉えていることが示されています。 これらの結果は、拡散モデルが従来の方法よりも正確に構造データの複雑な分布を表すという仮定を支持する。
  論文  参考訳（メタデータ） (2022-10-24T15:51:21Z)
• 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)

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。