論文の概要: Applications of Modular Co-Design for De Novo 3D Molecule Generation

• arxiv url: http://arxiv.org/abs/2505.18392v1
• Date: Fri, 23 May 2025 21:41:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:42.387076
• Title: Applications of Modular Co-Design for De Novo 3D Molecule Generation
• Title（参考訳）: De Novo 3次元分子生成におけるモジュール共設計の応用
• Authors: Danny Reidenbach, Filipp Nikitin, Olexandr Isayev, Saee Paliwal,
• Abstract要約: スケーラブルなトランスフォーマーモデルのファミリであるMegalodonを紹介します。 これらのモデルは、基本同変層で拡張され、連続的かつ離散的な共同設計目標を用いて訓練される。 メガロドンは3次元分子生成, 条件構造生成, および拡散と流れマッチングを用いた構造エネルギーベンチマークにおいて, 最先端の結果が得られることを示す。
• 参考スコア（独自算出の注目度）: 0.6903111965769448
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: De novo 3D molecule generation is a pivotal task in drug discovery. However, many recent geometric generative models struggle to produce high-quality 3D structures, even if they maintain 2D validity and topological stability. To tackle this issue and enhance the learning of effective molecular generation dynamics, we present Megalodon-a family of scalable transformer models. These models are enhanced with basic equivariant layers and trained using a joint continuous and discrete denoising co-design objective. We assess Megalodon's performance on established molecule generation benchmarks and introduce new 3D structure benchmarks that evaluate a model's capability to generate realistic molecular structures, particularly focusing on energetics. We show that Megalodon achieves state-of-the-art results in 3D molecule generation, conditional structure generation, and structure energy benchmarks using diffusion and flow matching. Furthermore, doubling the number of parameters in Megalodon to 40M significantly enhances its performance, generating up to 49x more valid large molecules and achieving energy levels that are 2-10x lower than those of the best prior generative models.
• Abstract（参考訳）: ド・ノボ3D分子生成は薬物発見における重要な課題である。 しかし、最近の幾何生成モデルは、たとえ2次元の妥当性と位相安定性を維持したとしても、高品質な3D構造を作り出すのに苦労している。 この問題に対処し、効果的な分子生成ダイナミクスの学習を強化するために、スケーラブルなトランスフォーマーモデルのファミリであるメガロドンを提示する。 これらのモデルは、基本同変層で拡張され、連続的かつ離散的な共同設計目標を用いて訓練される。 我々は,確立された分子生成ベンチマークにおけるメガロドンの性能を評価し,特にエネルギー学に焦点を当てた,モデルが現実的な分子構造を生成する能力を評価する新しい3次元構造ベンチマークを導入する。 メガロドンは3次元分子生成, 条件構造生成, および拡散と流れマッチングを用いた構造エネルギーベンチマークにおいて, 最先端の結果が得られることを示す。 さらに、メガロドンのパラメータ数を40Mに倍にすると、その性能が著しく向上し、49倍の有効な大きな分子が生成され、最も優れた生成モデルよりも2～10倍低いエネルギーレベルが達成される。

関連論文リスト

• NExT-Mol: 3D Diffusion Meets 1D Language Modeling for 3D Molecule Generation [72.22099363325145]
  NExT-Mol: 3D Diffusion Meets 1D Language Modeling for 3D Molecule Generationを提案する。 NExT-Molは1D分子生成のために広範囲に事前訓練された分子LMを使用し、その後、生成された分子の3Dコンホメータを予測する。 我々は,NExT-Molの性能を向上させるために,LMのモデルサイズをスケールアップし,拡散ニューラルアーキテクチャを改良し,三次元トランスファー学習に1Dを適用した。
  論文  参考訳（メタデータ） (2025-02-18T08:40:13Z)
• Neural P$^3$M: A Long-Range Interaction Modeling Enhancer for Geometric GNNs [66.98487644676906]
  我々は,幾何学的GNNの汎用エンハンサーであるNeural P$3$Mを導入し,その機能範囲を拡大する。 幅広い分子系に柔軟性を示し、エネルギーと力を予測する際、顕著な精度を示す。 また、さまざまなアーキテクチャを統合しながら、OE62データセットで平均22%の改善も達成している。
  論文  参考訳（メタデータ） (2024-09-26T08:16:59Z)
• Diffusion Models in $\textit{De Novo}$ Drug Design [0.0]
  拡散モデルは、特に3次元分子構造の文脈において、分子生成の強力なツールとして登場した。 本稿では,3次元分子生成に適した拡散モデルの技術的実装について述べる。
  論文  参考訳（メタデータ） (2024-06-07T06:34:13Z)
• Geometric Latent Diffusion Models for 3D Molecule Generation [172.15028281732737]
  生成モデル、特に拡散モデル(DM)は、特徴豊富な測地を生成する上で有望な結果を得た。 我々はGeoLDM(Geometric Latent Diffusion Models)と呼ばれる新しい3次元分子生成法を提案する。
  論文  参考訳（メタデータ） (2023-05-02T01:07:22Z)
• 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)
• Geometry-Complete Diffusion for 3D Molecule Generation and Optimization [3.8366697175402225]
  3次元分子生成のための幾何-完全拡散モデル(GCDM)を導入する。 GCDMは、既存の3次元分子拡散モデルよりも条件および非条件設定間で大きなマージンで優れている。 また、GCDMの幾何学的特徴は、既存の3次元分子の幾何学的および化学組成を一貫して最適化するために再利用可能であることも示している。
  論文  参考訳（メタデータ） (2023-02-08T20:01:51Z)
• 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)

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。