論文の概要: DEMO:Diffusion-based Evolutionary Optimization for 3D Multi-Objective Molecular Generation

• arxiv url: http://arxiv.org/abs/2505.11037v3
• Date: Sun, 28 Sep 2025 15:25:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 20:10:04.308254
• Title: DEMO:Diffusion-based Evolutionary Optimization for 3D Multi-Objective Molecular Generation
• Title（参考訳）: DEMO:拡散に基づく3次元多目的分子生成の進化的最適化
• Authors: Ruiqing Sun, Dawei Feng, Sen Yang, Ronghang Wang, Huaiyuan Song, Bo Ding, Yijie Wang, Huaimin Wang,
• Abstract要約: 構造的制約を満足しながら複数の目的特性を最適化することは、3次元分子発見の大きな課題である。 本稿では,事前学習した拡散モデルの生成力を生かした新しい3次元分子多目的進化アルゴリズムを提案する。 本手法は,拡散モデルの前方処理で定義される雑音空間におけるクロスオーバー操作を行い,親の特徴や所望のフラグメントを子孫に融合させる。
• 参考スコア（独自算出の注目度）: 25.82864719790724
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Optimizing multiple objective properties while satisfying structural constraints is a major challenge in 3D molecular discovery. This difficulty arises because optimization objectives can be non-differentiable and the structure-property relationship is often unknown. Evolutionary algorithms (EAs) are widely used for multi-objective optimization to find Pareto fronts and can naturally handle structural constraints without any explicit modelling; however, in the 3D molecular space they lack mechanisms to guarantee chemical validity and are therefore prone to producing invalid structures. Conversely, diffusion models excel at generating chemically valid 3D molecules but typically require modifying the model and retraining to incorporate structural constraints. Moreover, diffusion models are not inherently designed for direct multi-objective optimization and struggle to explore the Pareto front of the learned property distribution - a critical capability for discovering novel, high-performing molecules. To bridge this gap, we propose a novel 3D molecular multi-objective evolutionary algorithm that leverages the generative power of a pretrained diffusion model. Instead of manipulating molecules directly in the complex chemical space, our method performs crossover operations in the noise space defined by the diffusion model's forward process, thereby enabling parental features or desired fragments to be fused into offspring. The pretrained model's denoising process then restores structural validity. The approach is highly composable and, requiring no retraining, can be readily integrated with existing guidance methods to improve discovery. Experimental results demonstrate strong performance on single-objective, multi-objective, and structurally constrained optimization tasks.
• Abstract（参考訳）: 構造的制約を満足しながら複数の目的特性を最適化することは、3次元分子発見の大きな課題である。 この難しさは、最適化の目的が微分不可能であり、構造と固有性の関係がしばしば不明であるからである。 進化的アルゴリズム(EA)はパレートフロントを見つけるために多目的最適化に広く使われ、明示的なモデリングなしで自然に構造的制約を処理できるが、3D分子空間では化学的妥当性を保証するメカニズムが欠如しており、したがって不規則な構造を生成する傾向にある。 逆に、拡散モデルは化学的に有効な3D分子を生成するのに優れるが、通常モデルを変更し、構造的制約を組み込むために再訓練する必要がある。 さらに、拡散モデルは直接多目的最適化のために設計されておらず、学習された特性分布のパレートフロントを探索するのに苦労している。 このギャップを埋めるために,事前学習した拡散モデルの生成力を利用する新しい3次元分子多目的進化アルゴリズムを提案する。 複雑な化学空間で分子を直接操作する代わりに,拡散モデルの前処理によって定義されるノイズ空間のクロスオーバー操作を行うことで,親の特徴や所望のフラグメントを子孫に融合させることができる。 事前訓練されたモデルの復調過程は、構造的妥当性を復元する。 このアプローチは非常に構成可能で、再トレーニングを必要としないため、既存のガイダンスメソッドと簡単に統合して発見を改善することができる。 実験結果から, 単目的, 多目的, 構造的制約のある最適化タスクにおいて, 高い性能を示す。

関連論文リスト

• 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)
• 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)
• 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)
• 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)

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。