論文の概要: MODA: A Unified 3D Diffusion Framework for Multi-Task Target-Aware Molecular Generation

• arxiv url: http://arxiv.org/abs/2507.07201v1
• Date: Wed, 09 Jul 2025 18:19:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-11 16:40:15.169875
• Title: MODA: A Unified 3D Diffusion Framework for Multi-Task Target-Aware Molecular Generation
• Title（参考訳）: MODA:マルチタスク・ターゲット・アウェア・分子生成のための統一3次元拡散フレームワーク
• Authors: Dong Xu, Zhangfan Yang, Sisi Yuan, Jenna Xinyi Yao, Jiangqiang Li, Junkai Ji,
• Abstract要約: 我々は,断片成長,リンカー設計,足場ホッピング,サイドチェーン装飾をベイズマスクスケジューラと統合する拡散フレームワークMODAを紹介する。 トレーニング中、連続した空間的断片がマスクされ、1つのパスで識別され、モデルがタスク全体にわたって共有された幾何学的および化学的先行性を学ぶことができる。
• 参考スコア（独自算出の注目度）: 16.07694748790297
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Three-dimensional molecular generators based on diffusion models can now reach near-crystallographic accuracy, yet they remain fragmented across tasks. SMILES-only inputs, two-stage pretrain-finetune pipelines, and one-task-one-model practices hinder stereochemical fidelity, task alignment, and zero-shot transfer. We introduce MODA, a diffusion framework that unifies fragment growing, linker design, scaffold hopping, and side-chain decoration with a Bayesian mask scheduler. During training, a contiguous spatial fragment is masked and then denoised in one pass, enabling the model to learn shared geometric and chemical priors across tasks. Multi-task training yields a universal backbone that surpasses six diffusion baselines and three training paradigms on substructure, chemical property, interaction, and geometry. Model-C reduces ligand-protein clashes and substructure divergences while maintaining Lipinski compliance, whereas Model-B preserves similarity but trails in novelty and binding affinity. Zero-shot de novo design and lead-optimisation tests confirm stable negative Vina scores and high improvement rates without force-field refinement. These results demonstrate that a single-stage multi-task diffusion routine can replace two-stage workflows for structure-based molecular design.
• Abstract（参考訳）: 拡散モデルに基づく3次元分子ジェネレータは、今やほぼ結晶学的な精度に達することができるが、それらはタスク間で断片化されている。 SMILESのみの入力、2段階のプレトレイン・ファインチューン・パイプライン、ワンタスク・ワン・モデルは立体化学的忠実さ、タスクアライメント、ゼロショット転送を妨げている。 我々は,断片成長,リンカー設計,足場ホッピング,サイドチェーン装飾をベイズマスクスケジューラと統合する拡散フレームワークMODAを紹介する。 トレーニング中、連続した空間的断片がマスクされ、1つのパスで識別され、モデルがタスク全体にわたって共有された幾何学的および化学的先行性を学ぶことができる。 マルチタスクトレーニングは、6つの拡散ベースラインを超える普遍的なバックボーンと、サブ構造、化学的性質、相互作用、幾何学に関する3つのトレーニングパラダイムをもたらす。 Model-Cはリピンスキーのコンプライアンスを維持しながらリガンド-タンパク質の衝突とサブ構造の違いを減少させるが、Model-Bは類似性を保っているが、新規性や結合親和性は保っている。 ゼロショットド・ノボ設計とリード最適化試験は、力場改良を伴わない安定な負のVinaスコアと高い改善率を確認した。 これらの結果は、構造に基づく分子設計のための2段階のワークフローを、単一段階のマルチタスク拡散ルーチンで置き換えることができることを示している。

関連論文リスト

• Evolutionary training-free guidance in diffusion model for 3D multi-objective molecular generation [13.140891054725962]
  EGDは、拡散サンプリングプロセスに直接進化的演算子を組み込む、トレーニング不要のフレームワークである。 単一およびマルチターゲットの3D条件生成タスクでは、EGDは最先端条件拡散法を精度良く上回り、1世代あたり最大5倍高速に動作します。 EGDは任意の3Dフラグメントを生成分子に埋め込むことができ、複数の衝突特性を1つの統一プロセスで最適化することができる。
  論文  参考訳（メタデータ） (2025-05-16T09:32:40Z)
• 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)
• Adding Additional Control to One-Step Diffusion with Joint Distribution Matching [58.37264951734603]
  JDMは、画像-条件関節分布間の逆KL分散を最小化する新しいアプローチである。 トラクタブルな上限を導出することにより、JDMは条件学習から忠実度学習を分離する。 この非対称蒸留方式により,一段階の生徒が教師モデルに未知の制御を処理できるようになる。
  論文  参考訳（メタデータ） (2025-03-09T15:06:50Z)
• Exploring Discrete Flow Matching for 3D De Novo Molecule Generation [0.0]
  フローマッチングは、最近提案されたジェネレーティブモデリングフレームワークで、様々なタスクにおいて印象的なパフォーマンスを実現している。 本稿では,既存の手法よりも学習可能なパラメータが少ない3D de novo設計における技術性能の状態を達成した,オープンソースのFlowMol-CTMCを提案する。
  論文  参考訳（メタデータ） (2024-11-25T18:27:39Z)
• DPLM-2: A Multimodal Diffusion Protein Language Model [75.98083311705182]
  DPLM-2は, 離散拡散タンパク質言語モデル(DPLM)を拡張し, 配列と構造の両方に適合する多モーダルタンパク質基盤モデルである。 DPLM-2は、配列と構造、およびその限界と条件の結合分布を学習する。 実験によりDPLM-2は高度に互換性のあるアミノ酸配列とそれに対応する3D構造を同時に生成できることが示された。
  論文  参考訳（メタデータ） (2024-10-17T17:20:24Z)
• 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)
• Scaffold-constrained molecular generation [0.0]
  SMILESをベースとしたリカレントニューラルネットワーク(Recurrent Neural Network, RNN)生成モデルを構築し, 足場制約付き生成を実現するため, サンプリング手法を改良した。 本稿では,様々なタスクにおいて足場制約付き生成を行う手法について紹介する。
  論文  参考訳（メタデータ） (2020-09-15T15:41:18Z)

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。