論文の概要: Manipulating 3D Molecules in a Fixed-Dimensional SE(3)-Equivariant Latent Space

• arxiv url: http://arxiv.org/abs/2506.00771v1
• Date: Sun, 01 Jun 2025 01:30:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:33.576599
• Title: Manipulating 3D Molecules in a Fixed-Dimensional SE(3)-Equivariant Latent Space
• Title（参考訳）: 固定次元SE(3)-等変ラテント空間における3次元分子の操作
• Authors: Zitao Chen, Yinjun Jia, Zitong Tian, Wei-Ying Ma, Yanyan Lan,
• Abstract要約: 本稿では,3次元分子の共有潜在空間をナビゲートすることで,フレキシブルなゼロショット分子操作法を提案する。 MolFLAEはSE(3)同変ニューラルネットワークを用いて3D分子を固定数の潜伏ノードに符号化する。 MolFLAEは、標準的な無条件の3D分子生成ベンチマーク上での競合性能を実現する。
• 参考スコア（独自算出の注目度）: 14.14542052863487
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medicinal chemists often optimize drugs considering their 3D structures and designing structurally distinct molecules that retain key features, such as shapes, pharmacophores, or chemical properties. Previous deep learning approaches address this through supervised tasks like molecule inpainting or property-guided optimization. In this work, we propose a flexible zero-shot molecule manipulation method by navigating in a shared latent space of 3D molecules. We introduce a Variational AutoEncoder (VAE) for 3D molecules, named MolFLAE, which learns a fixed-dimensional, SE(3)-equivariant latent space independent of atom counts. MolFLAE encodes 3D molecules using an SE(3)-equivariant neural network into fixed number of latent nodes, distinguished by learned embeddings. The latent space is regularized, and molecular structures are reconstructed via a Bayesian Flow Network (BFN) conditioned on the encoder's latent output. MolFLAE achieves competitive performance on standard unconditional 3D molecule generation benchmarks. Moreover, the latent space of MolFLAE enables zero-shot molecule manipulation, including atom number editing, structure reconstruction, and coordinated latent interpolation for both structure and properties. We further demonstrate our approach on a drug optimization task for the human glucocorticoid receptor, generating molecules with improved hydrophilicity while preserving key interactions, under computational evaluations. These results highlight the flexibility, robustness, and real-world utility of our method, opening new avenues for molecule editing and optimization.
• Abstract（参考訳）: 薬理学者は、しばしば薬物を最適化し、その3D構造を考慮し、形状、薬理泳動、化学特性などの重要な特徴を保持する構造的に異なる分子を設計する。 従来のディープラーニングアプローチは、分子の塗布やプロパティ誘導最適化といった教師付きタスクを通じてこの問題に対処する。 本研究では,3次元分子の共有潜在空間をナビゲートすることで,フレキシブルなゼロショット分子操作法を提案する。 原子数に依存しない固定次元SE(3)-等変潜時空間を学習するMolFLAEという3次元分子のための変分オートエンコーダ(VAE)を導入する。 MolFLAEはSE(3)-同変ニューラルネットワークを用いて3D分子を一定の数の潜伏ノードに符号化し、学習された埋め込みによって区別する。 潜時空間は正規化され、分子構造はエンコーダの潜時出力に条件付ベイズフローネットワーク(BFN)を介して再構成される。 MolFLAEは、標準的な無条件の3D分子生成ベンチマーク上での競合性能を実現する。 さらに、MolFLAEの潜伏空間は、原子番号の編集、構造再構成、構造と性質の両方の調整された潜伏補間を含むゼロショット分子操作を可能にする。 我々はさらに,ヒトグルココルチコイド受容体の薬物最適化課題に対するアプローチを実証し,親水性を改善した分子を生成するとともに,鍵相互作用を保ちながら,計算的評価を行った。 これらの結果は、分子編集と最適化のための新しい道を開くことで、我々の手法の柔軟性、堅牢性、実世界の有用性を浮き彫りにしている。

関連論文リスト

• Learning Disentangled Equivariant Representation for Explicitly Controllable 3D Molecule Generation [29.905705361297578]
  テキスト特異的制御による3Dドラッグ様分子の条件生成 本稿では,E(3)-同変ワッサースタインオートエンコーダを提案し,生成モデルの潜伏空間を分子特性と3次元分子の構造的文脈の2つの相違点に分解する。
  論文  参考訳（メタデータ） (2024-12-19T17:33:56Z)
• DecompDiff: Diffusion Models with Decomposed Priors for Structure-Based Drug Design [62.68420322996345]
  既存の構造に基づく薬物設計法は、すべての配位子原子を等しく扱う。 腕と足場を分解した新しい拡散モデルDecompDiffを提案する。 提案手法は,高親和性分子の生成における最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-02-26T05:21:21Z)
• MUDiff: Unified Diffusion for Complete Molecule Generation [104.7021929437504]
  本稿では,原子の特徴,2次元離散分子構造,および3次元連続分子座標を含む分子の包括的表現を生成する新しいモデルを提案する。 拡散過程を認知するための新しいグラフトランスフォーマーアーキテクチャを提案する。 我々のモデルは、安定で多様な分子を設計するための有望なアプローチであり、分子モデリングの幅広いタスクに適用できる。
  論文  参考訳（メタデータ） (2023-04-28T04:25:57Z)
• 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)
• Scalable Fragment-Based 3D Molecular Design with Reinforcement Learning [68.8204255655161]
  分子構築に階層的エージェントを用いるスケーラブルな3D設計のための新しいフレームワークを提案する。 様々な実験において、エネルギーのみを考慮に入れたエージェントが、100以上の原子を持つ分子を効率よく生成できることが示されている。
  論文  参考訳（メタデータ） (2022-02-01T18:54:24Z)
• Learning to design drug-like molecules in three-dimensional space using deep generative models [0.0]
  Ligand Neural Network(L-Net)は、高品質の3D構造を持つ薬物様分子を設計するための新しいグラフ生成モデルです。 L-Netは化学的に正しい、コンフォメーションに有効な、非常に薬物的な分子を生成することができる。
  論文  参考訳（メタデータ） (2021-04-17T07:30:23Z)
• Generating 3D Molecular Structures Conditional on a Receptor Binding Site with Deep Generative Models [0.0]
  本稿では,3次元分子結合ポケット上に条件付き3次元構造を生成可能な深部生成モデルについて初めて述べる。 基準種子の構造によって定義される変分潜在空間から、有効かつ特異な分子を容易にサンプリングできることが示される。
  論文  参考訳（メタデータ） (2020-10-16T16:27:47Z)
• 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)

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。