論文の概要: A Comprehensive Benchmarking Platform for Deep Generative Models in Molecular Design

• arxiv url: http://arxiv.org/abs/2505.12848v1
• Date: Mon, 19 May 2025 08:34:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-20 14:57:11.488624
• Title: A Comprehensive Benchmarking Platform for Deep Generative Models in Molecular Design
• Title（参考訳）: 分子設計における深部生成モデルのための総合ベンチマークプラットフォーム
• Authors: Adarsh Singh,
• Abstract要約: 深層生成モデルは、広大な化学物質空間を効率的に探索することで、薬物発見を加速するための有望なツールとして現れてきた。 本研究は分子設計における深部生成モデルの評価を標準化するために設計された総合的なベンチマークフレームワークである分子集合(MOSES)プラットフォームの解析を行う。 以上の結果から, 化学空間における探索と利用の複雑なトレードオフを浮き彫りにして, 様々な指標に相補的な強みを示すことが判明した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The development of novel pharmaceuticals represents a significant challenge in modern science, with substantial costs and time investments. Deep generative models have emerged as promising tools for accelerating drug discovery by efficiently exploring the vast chemical space. However, this rapidly evolving field lacks standardized evaluation protocols, impeding fair comparison between approaches. This research presents an extensive analysis of the Molecular Sets (MOSES) platform, a comprehensive benchmarking framework designed to standardize evaluation of deep generative models in molecular design. Through rigorous assessment of multiple generative architectures, including recurrent neural networks, variational autoencoders, and generative adversarial networks, we examine their capabilities in generating valid, unique, and novel molecular structures while maintaining specific chemical properties. Our findings reveal that different architectures exhibit complementary strengths across various metrics, highlighting the complex trade-offs between exploration and exploitation in chemical space. This study provides detailed insights into the current state of the art in molecular generation and establishes a foundation for future advancements in AI-driven drug discovery.
• Abstract（参考訳）: 新規医薬品の開発は、かなりのコストと時間的投資を伴い、現代科学における重要な課題である。 深層生成モデルは、広大な化学物質空間を効率的に探索することで、薬物発見を加速するための有望なツールとして現れてきた。 しかし、この急速に発展する分野は標準化された評価プロトコルを欠き、アプローチ間の公正な比較を妨げている。 本研究は分子設計における深部生成モデルの評価を標準化するために設計された総合的なベンチマークフレームワークである分子集合(MOSES)プラットフォームを広範囲に分析する。 繰り返しニューラルネットワーク,変分オートエンコーダ,および生成的敵ネットワークを含む複数の生成的アーキテクチャの厳密な評価を通じて,特定の化学的特性を維持しつつ,有効で独特で新しい分子構造を創出する能力について検討する。 以上の結果から, 化学空間における探索と利用の複雑なトレードオフを浮き彫りにして, 様々な指標に相補的な強みを示すことが判明した。 この研究は、分子生成の最先端に関する詳細な知見を提供し、AIによる薬物発見の今後の進歩の基盤を確立する。

関連論文リスト

• DiffMS: Diffusion Generation of Molecules Conditioned on Mass Spectra [60.39311767532607]
  DiffMSは式制限エンコーダ-デコーダ生成ネットワークである。 我々は、潜伏埋め込みと分子構造を橋渡しする頑健なデコーダを開発する。 実験の結果、DiffMS は $textitde novo$ 分子生成で既存のモデルより優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-13T18:29:48Z)
• Diffusion Models for Molecules: A Survey of Methods and Tasks [56.44565051667812]
  分子に関する生成タスクは、薬物の発見と材料設計に不可欠である。 拡散モデルは、深い生成モデルの印象的なクラスとして現れている。 本稿では拡散モデルに基づく分子生成法について包括的に調査する。
  論文  参考訳（メタデータ） (2025-02-13T17:22:50Z)
• Molecular Dynamics and Machine Learning Unlock Possibilities in Beauty Design -- A Perspective [16.91569591356659]
  計算分子設計は、機械学習と分子動力学のアプローチによって支援された様々なミッションで分子を設計する試みである。 これらの技術は、寿命を延ばすだけでなく、その美しさを発揮できるほど成熟していると我々は主張する。 この観点から、スキンケア製品の研究・開発における現在のフロンティアと、この業界の課題に対処する統計的・物理的ツールボックスを概観する。
  論文  参考訳（メタデータ） (2024-10-08T13:30:27Z)
• A Review on Fragment-based De Novo 2D Molecule Generation [0.0]
  フラグメントベースの深層生成モデルは、2023年の分子設計ベンチマークにおいて、常に最先端の結果を達成する。 このレビューには、出力品質、生成速度、および特定のモデルの現在の制限の比較が含まれる。 フラグメントベースのモデルを現実世界のアプリケーションにブリッジする将来的な研究の道のりを強調します。
  論文  参考訳（メタデータ） (2024-05-08T09:38:38Z)
• Sculpting Molecules in Text-3D Space: A Flexible Substructure Aware Framework for Text-Oriented Molecular Optimization [10.868749018881115]
  本稿では,多モードガイダンス最適化タスクとして定式化することで,逆設計問題に対処する革新的な手法を提案する。 提案手法は,分子最適化タスク,すなわち3DToMoloの実装のためのテクスチャ構造アライメント対称拡散フレームワークを含む。 3DToMoloは、テキスト記述特徴やグラフ構造特徴などの多彩なモダリティを調和させることを目的としており、この分野の専門家による特定の対称構造とテクスチュラル制約に従う分子構造をシームレスに生成することを目的としている。
  論文  参考訳（メタデータ） (2024-03-06T03:15:25Z)
• An Equivariant Generative Framework for Molecular Graph-Structure Co-Design [54.92529253182004]
  分子グラフ構造アンダーラインCo設計のための機械学習ベースの生成フレームワークであるMollCodeを提案する。 MolCodeでは、3D幾何情報によって分子2Dグラフの生成が促進され、それによって分子3D構造の予測が導かれる。 分子設計における2次元トポロジーと3次元幾何は本質的に相補的な情報を含んでいることが明らかとなった。
  論文  参考訳（メタデータ） (2023-04-12T13:34:22Z)
• 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)
• Learning Neural Generative Dynamics for Molecular Conformation Generation [89.03173504444415]
  分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。 分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-02-20T03:17:58Z)
• Generative chemistry: drug discovery with deep learning generative models [0.0]
  本稿では, 創薬プロセスの迅速化に向け, 創薬モデルによる生成化学の最近の進歩を概観する。 ニューラルネットワーク,変分オートエンコーダ,逆数オートエンコーダ,複合生成のための生成逆数ネットワークなど,最先端の生成アーキテクチャの利用に関する詳細な議論が注目されている。
  論文  参考訳（メタデータ） (2020-08-20T14:38:21Z)
• Visualizing Deep Graph Generative Models for Drug Discovery [16.78530326723672]
  深部グラフ生成モデルの符号化・復号過程において生成する分子を可視化する可視化フレームワークを提案する。 私たちの研究は、ブラックボックスAIによる薬物発見モデルに視覚的解釈能力を持たせることを目的としています。
  論文  参考訳（メタデータ） (2020-07-20T18:49:10Z)

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。