論文の概要: Sampling 3D Molecular Conformers with Diffusion Transformers

• arxiv url: http://arxiv.org/abs/2506.15378v1
• Date: Wed, 18 Jun 2025 11:47:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-19 19:35:51.646754
• Title: Sampling 3D Molecular Conformers with Diffusion Transformers
• Title（参考訳）: 拡散変換器を用いた3次元分子コンバータのサンプリング
• Authors: J. Thorben Frank, Winfried Ripken, Gregor Lied, Klaus-Robert Müller, Oliver T. Unke, Stefan Chmiela,
• Abstract要約: 拡散変換器 (DiT) は生成モデルにおいて高い性能を示した。 分子へのDiTの適用は、離散的な分子グラフ情報と連続した3次元幾何学の統合など、新しい課題をもたらす。 モジュールアーキテクチャを通じてこれらの課題に対処するために,DiTを適応させるフレームワークであるDiTMCを提案する。
• 参考スコア（独自算出の注目度）: 13.536503487456622
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion Transformers (DiTs) have demonstrated strong performance in generative modeling, particularly in image synthesis, making them a compelling choice for molecular conformer generation. However, applying DiTs to molecules introduces novel challenges, such as integrating discrete molecular graph information with continuous 3D geometry, handling Euclidean symmetries, and designing conditioning mechanisms that generalize across molecules of varying sizes and structures. We propose DiTMC, a framework that adapts DiTs to address these challenges through a modular architecture that separates the processing of 3D coordinates from conditioning on atomic connectivity. To this end, we introduce two complementary graph-based conditioning strategies that integrate seamlessly with the DiT architecture. These are combined with different attention mechanisms, including both standard non-equivariant and SO(3)-equivariant formulations, enabling flexible control over the trade-off between between accuracy and computational efficiency. Experiments on standard conformer generation benchmarks (GEOM-QM9, -DRUGS, -XL) demonstrate that DiTMC achieves state-of-the-art precision and physical validity. Our results highlight how architectural choices and symmetry priors affect sample quality and efficiency, suggesting promising directions for large-scale generative modeling of molecular structures. Code available at https://github.com/ML4MolSim/dit_mc.
• Abstract（参考訳）: 拡散変換器(DiT)は、生成モデル、特に画像合成において強い性能を示しており、分子コンホメータ生成において魅力的な選択である。 しかし、DiTを分子に適用することは、離散的な分子グラフ情報と連続した3次元幾何学の統合、ユークリッド対称性の取り扱い、様々な大きさと構造を持つ分子をまたいで一般化する条件付け機構の設計など、新しい課題をもたらす。 原子間通信における条件付けから3次元座標の処理を分離するモジュールアーキテクチャにより,これらの課題に対処するフレームワークであるDiTMCを提案する。 そこで本稿では,DiTアーキテクチャとシームレスに連携する2つのグラフベースのコンディショニング手法を提案する。 これらは、標準的な非等変式とSO(3)等変式の両方を含む異なる注意機構と組み合わせられ、精度と計算効率の間のトレードオフを柔軟に制御できる。 標準コンバータ生成ベンチマーク(GEOM-QM9, -DRUGS, -XL)の実験は、DiTMCが最先端の精度と物理的妥当性を達成することを示した。 本結果は, 構造選択と対称性が試料の品質と効率にどのように影響するかを強調し, 分子構造を大規模に生成する上で有望な方向性を示唆するものである。 コードはhttps://github.com/ML4MolSim/dit_mc.comで公開されている。

関連論文リスト

• Towards Unified and Lossless Latent Space for 3D Molecular Latent Diffusion Modeling [77.26556208024633]
  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。 我々は,3次元分子を潜在空間から潜在配列に圧縮するマルチモーダルVAEである textbfUAE-3D を提案する。
  論文  参考訳（メタデータ） (2025-03-19T08:56:13Z)
• Tokenizing 3D Molecule Structure with Quantized Spherical Coordinates [28.452581855002855]
  Mol-StrucTokは、3次元分子構造をトークン化する新しい方法である。 球面座標系において局所的な原子座標を抽出して3次元分子の線記法を設計する。 ベクトル量子化変分オートエンコーダ(VQ-VAE)を用いてこれらの座標をトークン化し、生成記述子として扱う。
  論文  参考訳（メタデータ） (2024-12-02T14:50:44Z)
• Equivariant Blurring Diffusion for Hierarchical Molecular Conformer Generation [18.394348744611662]
  Equivariant Blurring Diffusion (EBD) と呼ばれる新しい生成モデルを導入する。 EBDは、コンフォーマーの微細な原子の詳細をぼかすことによって、断片レベルの粗い粒状構造に向かって進む前進過程を定義する。 薬物様分子のベンチマークにおいて, 最先端デノナイジング拡散モデルとの幾何的および化学的比較によるEBDの有効性を実証した。
  論文  参考訳（メタデータ） (2024-10-26T19:17:31Z)
• Geometric Trajectory Diffusion Models [58.853975433383326]
  生成モデルは3次元幾何学システムの生成において大きな可能性を示してきた。 既存のアプローチは静的構造のみで動作し、物理系は常に自然界において動的であるという事実を無視する。 本研究では3次元軌跡の時間分布をモデル化する最初の拡散モデルである幾何軌道拡散モデル(GeoTDM)を提案する。
  論文  参考訳（メタデータ） (2024-10-16T20:36:41Z)
• Learning Modulated Transformation in GANs [69.95217723100413]
  生成逆数ネットワーク(GAN)のジェネレータに、変調変換モジュール(Modulated transformation module, MTM)と呼ばれるプラグアンドプレイモジュールを装備する。 MTMは、可変位置で畳み込み操作を適用可能な潜在符号の制御下で空間オフセットを予測する。 挑戦的なTaiChiデータセット上での人為的な生成に向けて、StyleGAN3のFIDを21.36から13.60に改善し、変調幾何変換の学習の有効性を実証した。
  論文  参考訳（メタデータ） (2023-08-29T17:51:22Z)
• CoarsenConf: Equivariant Coarsening with Aggregated Attention for Molecular Conformer Generation [3.31521245002301]
  本稿では, 反角に基づく分子グラフをSE(3)等価な階層的変分オートエンコーダに統合するCoarsenConfを紹介する。 等変粗粒化により、回転可能な結合を介して連結された部分グラフの微細な原子座標を集約し、可変長粗粒化潜在表現を生成する。 本モデルでは, 粗粒の潜在表現から細粒度座標を復元する新しいアグリゲートアテンション機構を用いて, 正確なコンフォメータを効率よく生成する。
  論文  参考訳（メタデータ） (2023-06-26T17:02:54Z)
• 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)
• GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
  分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。 既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。 エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
  論文  参考訳（メタデータ） (2021-06-08T14:17:59Z)

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。