論文の概要: Synthesizable by Design: A Retrosynthesis-Guided Framework for Molecular Analog Generation

• arxiv url: http://arxiv.org/abs/2507.02752v1
• Date: Thu, 03 Jul 2025 16:14:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-04 15:37:16.583516
• Title: Synthesizable by Design: A Retrosynthesis-Guided Framework for Molecular Analog Generation
• Title（参考訳）: 設計による合成可能:分子アナログ生成のための再合成誘導フレームワーク
• Authors: Shuan Chen, Gunwook Nam, Yousung Jung,
• Abstract要約: 新規なレトロシンセシス誘導分子アナログ設計フレームワークであるSynTwinsを紹介する。 比較評価において、SynTwinsは合成可能なアナログを生成する上で優れた性能を示す。 多様な分子データセットのベンチマークにより、SynTwinsは計算設計と実験合成のギャップを効果的に埋めることを示した。
• 参考スコア（独自算出の注目度）: 0.5852077003870417
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The disconnect between AI-generated molecules with desirable properties and their synthetic feasibility remains a critical bottleneck in computational drug and material discovery. While generative AI has accelerated the proposal of candidate molecules, many of these structures prove challenging or impossible to synthesize using established chemical reactions. Here, we introduce SynTwins, a novel retrosynthesis-guided molecular analog design framework that designs synthetically accessible molecular analogs by emulating expert chemist strategies through a three-step process: retrosynthesis, similar building block searching, and virtual synthesis. In comparative evaluations, SynTwins demonstrates superior performance in generating synthetically accessible analogs compared to state-of-the-art machine learning models while maintaining high structural similarity to original target molecules. Furthermore, when integrated with existing molecule optimization frameworks, our hybrid approach produces synthetically feasible molecules with property profiles comparable to unconstrained molecule generators, yet its synthesizability ensured. Our comprehensive benchmarking across diverse molecular datasets demonstrates that SynTwins effectively bridges the gap between computational design and experimental synthesis, providing a practical solution for accelerating the discovery of synthesizable molecules with desired properties for a wide range of applications.
• Abstract（参考訳）: 望ましい性質を持つAI生成分子の切断とその合成実現性は、計算薬や物質発見において重要なボトルネックとなっている。 生成AIは候補分子の提案を加速させているが、これらの構造の多くは確立された化学反応を用いて合成することが困難または不可能であることが証明されている。 本稿では,3段階のプロセス – 再合成, 類似のビルディングブロック探索, 仮想合成 – を通じて, 専門家化学者の戦略をエミュレートすることによって, 合成にアクセシブルな分子アナログを設計する, 新規なレトロシンセシス誘導分子アナログ設計フレームワークであるSynTwinsを紹介する。 比較評価において、SynTwinsは、元のターゲット分子と高い構造的類似性を維持しながら、最先端の機械学習モデルと比較して、合成可能なアナログを生成する上で優れた性能を示す。 さらに,既存の分子最適化フレームワークと統合した場合,本手法は,非拘束分子生成体に匹敵する特性を持つ合成可能な分子を生産するが,合成性は保証される。 計算機設計と実験合成のギャップを効果的に埋め、幅広い用途に望ましい性質を持つ合成可能な分子の発見を加速する実用的なソリューションを提供する。

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)
• Procedural Synthesis of Synthesizable Molecules [22.905205379063148]
  合成可能な分子の設計と、合成不可能な分子へのアナログの推奨は、分子発見を加速させる重要な問題である。 プログラム合成のアイデアを用いて,両問題を再認識する。 合成経路の空間を推論するための二段階のフレームワークを作成する。
  論文  参考訳（メタデータ） (2024-08-24T04:32:36Z)
• BatGPT-Chem: A Foundation Large Model For Retrosynthesis Prediction [65.93303145891628]
  BatGPT-Chemは150億のパラメータを持つ大規模な言語モデルであり、再合成予測の強化に最適化されている。 我々のモデルは幅広い化学知識を捉え、反応条件の正確な予測を可能にする。 この開発により、化学者は新しい化合物を十分に扱うことができ、医薬品製造と材料科学の革新サイクルを早める可能性がある。
  論文  参考訳（メタデータ） (2024-08-19T05:17:40Z)
• 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)
• 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)
• RetroXpert: Decompose Retrosynthesis Prediction like a Chemist [60.463900712314754]
  そこで我々は, テンプレートフリーな自動逆合成拡張アルゴリズムを考案した。 我々の方法はレトロシンセシスを2段階に分解する。 最先端のベースラインよりも優れている一方で、我々のモデルは化学的に合理的な解釈も提供する。
  論文  参考訳（メタデータ） (2020-11-04T04:35:34Z)
• Learning To Navigate The Synthetically Accessible Chemical Space Using Reinforcement Learning [75.95376096628135]
  ド・ノボ薬物設計のための強化学習(RL)を利用した新しい前方合成フレームワークを提案する。 このセットアップでは、エージェントは巨大な合成可能な化学空間をナビゲートする。 本研究は,合成可能な化学空間を根本的に拡張する上で,エンド・ツー・エンド・トレーニングが重要なパラダイムであることを示す。
  論文  参考訳（メタデータ） (2020-04-26T21:40:03Z)

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。