論文の概要: Torsional-GFN: a conditional conformation generator for small molecules

• arxiv url: http://arxiv.org/abs/2507.11759v1
• Date: Tue, 15 Jul 2025 21:53:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-17 19:00:11.16206
• Title: Torsional-GFN: a conditional conformation generator for small molecules
• Title（参考訳）: Torsional-GFN : 小分子の条件コンフォメーション・ジェネレータ
• Authors: Alexandra Volokhova, Léna Néhale Ezzine, Piotr Gaiński, Luca Scimeca, Emmanuel Bengio, Prudencio Tossou, Yoshua Bengio, Alex Hernandez-Garcia,
• Abstract要約: ボルツマン分布に比例して分子の配座をサンプリングするために特別に設計された条件付きGFlowNetを導入する。 我々の研究は、提案したアプローチをより大きな分子系に拡張するための有望な道を示す。
• 参考スコア（独自算出の注目度）: 75.91029322687771
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generating stable molecular conformations is crucial in several drug discovery applications, such as estimating the binding affinity of a molecule to a target. Recently, generative machine learning methods have emerged as a promising, more efficient method than molecular dynamics for sampling of conformations from the Boltzmann distribution. In this paper, we introduce Torsional-GFN, a conditional GFlowNet specifically designed to sample conformations of molecules proportionally to their Boltzmann distribution, using only a reward function as training signal. Conditioned on a molecular graph and its local structure (bond lengths and angles), Torsional-GFN samples rotations of its torsion angles. Our results demonstrate that Torsional-GFN is able to sample conformations approximately proportional to the Boltzmann distribution for multiple molecules with a single model, and allows for zero-shot generalization to unseen bond lengths and angles coming from the MD simulations for such molecules. Our work presents a promising avenue for scaling the proposed approach to larger molecular systems, achieving zero-shot generalization to unseen molecules, and including the generation of the local structure into the GFlowNet model.
• Abstract（参考訳）: 安定な分子配座を生成することは、分子の標的への結合親和性を推定するなど、いくつかの薬物発見の応用において重要である。 近年、ボルツマン分布から共形をサンプリングするための分子動力学よりも有望で効率的な手法として生成機械学習法が登場している。 本稿では,Boltzmann分布に比例して分子の配座をサンプリングするために設計された条件付きGFlowNetであるTrusional-GFNを紹介する。 分子グラフとその局所構造(結合長と角度)に条件付きで、Trusional-GFNはそのねじれ角の回転をサンプリングする。 以上の結果から,Trusional-GFNは,複数の分子に対するボルツマン分布にほぼ比例するコンフォメーションを1つのモデルでサンプリングし,MDシミュレーションから得られる結合長や角度をゼロショットで一般化できることを示した。 本研究は, 提案手法を大規模分子系に拡張し, 未知分子へのゼロショット一般化を実現し, GFlowNetモデルへの局所構造生成を含む, 有望な方法を示す。

関連論文リスト

• Conditional Synthesis of 3D Molecules with Time Correction Sampler [58.0834973489875]
  Time-Aware Conditional Synthesis (TACS) は拡散モデルにおける条件生成の新しい手法である。 適応的に制御されたプラグアンドプレイの"オンライン"ガイダンスを拡散モデルに統合し、サンプルを所望の特性に向けて駆動する。
  論文  参考訳（メタデータ） (2024-11-01T12:59:25Z)
• Pre-training of Molecular GNNs via Conditional Boltzmann Generator [0.0]
  分子配座のデータセットを用いた分子GNNの事前学習法を提案する。 本モデルは,既存の事前学習法よりも分子特性の予測性能がよいことを示す。
  論文  参考訳（メタデータ） (2023-12-20T15:30:15Z)
• Towards equilibrium molecular conformation generation with GFlowNets [90.29728873459774]
  我々は,GFlowNetを用いて,分子のエネルギーによって決定されるボルツマン分布から小分子の配座をサンプリングする。 我々はGFlowNetがボルツマン分布に比例して分子ポテンシャルエネルギー表面を再現できることを実証した。
  論文  参考訳（メタデータ） (2023-10-20T15:41:50Z)
• Von Mises Mixture Distributions for Molecular Conformation Generation [3.867363075280544]
  VonMisesNetは、回転可能なボンドねじれ角の変動近似を通じてコンフォメーション変動をキャプチャする新しいグラフニューラルネットワークである。 VonMisesNetは、ボルツマン分布と既存のサンプリング法より桁違いに高速な物理精度で任意の分子のコンフォメーションを生成できることを実証した。
  論文  参考訳（メタデータ） (2023-06-13T00:29:57Z)
• Molecule Design by Latent Space Energy-Based Modeling and Gradual Distribution Shifting [53.44684898432997]
  化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。 本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。 本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
  論文  参考訳（メタデータ） (2023-06-09T03:04:21Z)
• Towards Predicting Equilibrium Distributions for Molecular Systems with Deep Learning [60.02391969049972]
  本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。 DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
  論文  参考訳（メタデータ） (2023-06-08T17:12:08Z)
• 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)
• GeoDiff: a Geometric Diffusion Model for Molecular Conformation Generation [102.85440102147267]
  分子配座予測のための新しい生成モデルGeoDiffを提案する。 GeoDiffは、既存の最先端のアプローチよりも優れているか、あるいは同等であることを示す。
  論文  参考訳（メタデータ） (2022-03-06T09:47:01Z)

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。