論文の概要: Scalable and Cost-Efficient de Novo Template-Based Molecular Generation

• arxiv url: http://arxiv.org/abs/2506.19865v1
• Date: Tue, 10 Jun 2025 15:16:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-29 09:28:14.867757
• Title: Scalable and Cost-Efficient de Novo Template-Based Molecular Generation
• Title（参考訳）: スケーラブルでコスト効率の良いド・ノボテンプレートに基づく分子生成
• Authors: Piotr Gaiński, Oussama Boussif, Andrei Rekesh, Dmytro Shevchuk, Ali Parviz, Mike Tyers, Robert A. Batey, Michał Koziarski,
• Abstract要約: テンプレートベースのGFlowNetでは,(1)合成コストの最小化,(2)大規模ビルディングブロックライブラリへのスケーリング,(3)小さなフラグメントセットを効果的に活用する,という3つの課題に対処する。 我々は、補助的な機械学習モデルを用いて合成コストと生存性を近似する後方ポリシーフレームワークであるtextbfRecursive Cost Guidanceを提案する。 より小型なビルディングブロックライブラリの性能向上を目的として,中間的高次状態の再利用と完全合成木の構築を行う textbfDynamic Library 機構を開発した。
• 参考スコア（独自算出の注目度）: 1.5176424161376634
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Template-based molecular generation offers a promising avenue for drug design by ensuring generated compounds are synthetically accessible through predefined reaction templates and building blocks. In this work, we tackle three core challenges in template-based GFlowNets: (1) minimizing synthesis cost, (2) scaling to large building block libraries, and (3) effectively utilizing small fragment sets. We propose \textbf{Recursive Cost Guidance}, a backward policy framework that employs auxiliary machine learning models to approximate synthesis cost and viability. This guidance steers generation toward low-cost synthesis pathways, significantly enhancing cost-efficiency, molecular diversity, and quality, especially when paired with an \textbf{Exploitation Penalty} that balances the trade-off between exploration and exploitation. To enhance performance in smaller building block libraries, we develop a \textbf{Dynamic Library} mechanism that reuses intermediate high-reward states to construct full synthesis trees. Our approach establishes state-of-the-art results in template-based molecular generation.
• Abstract（参考訳）: テンプレートベースの分子生成は、事前に定義された反応テンプレートやビルディングブロックを通じて、生成した化合物が合成的にアクセス可能であることを保証することで、医薬品設計のための有望な道を提供する。 本研究では,テンプレートベースのGFlowNetにおける3つの課題に取り組み,(1)合成コストの最小化,(2)大規模ビルディングブロックライブラリへのスケーリング,(3)小さなフラグメントセットを効果的に活用する。 本稿では、補助的な機械学習モデルを用いて合成コストと生存性を近似した後方ポリシーフレームワークである「textbf{Recursive Cost Guidance}」を提案する。 このガイダンスはコスト効率、分子多様性、品質を著しく向上させ、特に探索と搾取の間のトレードオフをバランスさせる『textbf{Exploitation Penalty}』と組み合わせた場合、低コストな合成経路へのステアリングである。 より小型なビルディングブロックライブラリの性能向上を目的として,中間的ハイリワード状態を再利用して完全な合成木を構築するための \textbf{Dynamic Library} 機構を開発した。 提案手法はテンプレートに基づく分子生成における最先端の結果を確立する。

関連論文リスト

• SynLlama: Generating Synthesizable Molecules and Their Analogs with Large Language Models [2.4120602995529317]
  我々はSynLlamaを作成するために,MetaのLlama3 Large Language Modelsを微調整した新しいアプローチを提案する。 SynLlamaは、一般的にアクセス可能なビルディングブロックと堅牢な有機反応テンプレートからなる完全な合成経路を生成する。 外部のビルディングブロックをトレーニングしなくても、SynLlamaが効果的に一般化され、見つからず、購入可能なビルディングブロックとなることが分かりました。
  論文  参考訳（メタデータ） (2025-03-16T18:30:56Z)
• RGFN: Synthesizable Molecular Generation Using GFlowNets [51.33672611338754]
  本稿では,化学反応の空間内で直接動作するGFlowNetフレームワークの拡張であるReaction-GFlowNetを提案する。 RGFNは、生成した候補の同等の品質を維持しながら、アウト・オブ・ボックスの合成を可能にする。 提案手法の有効性を,事前訓練されたプロキシモデルやGPUアクセラレーションドッキングなど,さまざまなオラクルモデルに適用した。
  論文  参考訳（メタデータ） (2024-06-01T13:11:11Z)
• SynFlowNet: Design of Diverse and Novel Molecules with Synthesis Constraints [16.21161274235011]
  反応空間が化学反応と精製可能な反応物質を用いて新しい分子を逐次生成するGFlowNetモデルであるSynFlowNetを紹介する。 生成機構の明示的な制約としてフォワード合成を取り入れることで、シリコン分子生成と実世界の合成能力のギャップを埋めることを目指す。
  論文  参考訳（メタデータ） (2024-05-02T10:15:59Z)
• UAlign: Pushing the Limit of Template-free Retrosynthesis Prediction with Unsupervised SMILES Alignment [51.49238426241974]
  本稿では,テンプレートのないグラフ・ツー・シーケンスパイプラインであるUAlignを紹介した。 グラフニューラルネットワークとトランスフォーマーを組み合わせることで、分子固有のグラフ構造をより効果的に活用することができる。
  論文  参考訳（メタデータ） (2024-03-25T03:23:03Z)
• 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)
• 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)

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。