論文の概要: SynCoGen: Synthesizable 3D Molecule Generation via Joint Reaction and Coordinate Modeling

• arxiv url: http://arxiv.org/abs/2507.11818v1
• Date: Wed, 16 Jul 2025 00:36:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-17 19:00:11.188359
• Title: SynCoGen: Synthesizable 3D Molecule Generation via Joint Reaction and Coordinate Modeling
• Title（参考訳）: SynCoGen: 関節反応と協調モデルによる合成可能な3次元分子生成
• Authors: Andrei Rekesh, Miruna Cretu, Dmytro Shevchuk, Vignesh Ram Somnath, Pietro Liò, Robert A. Batey, Mike Tyers, Michał Koziarski, Cheng-Hao Liu,
• Abstract要約: 合成可能な3次元分子生成のためのグラフ拡散とフローマッチングを組み合わせたフレームワークであるSynCoGenを提案する。 モデルをトレーニングするために、600K以上のビルディングブロックグラフと3.3Mコンバータを含むデータセットであるSynSpaceをキュレートした。
• 参考スコア（独自算出の注目度）: 29.856853267388924
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ensuring synthesizability in generative small molecule design remains a major challenge. While recent developments in synthesizable molecule generation have demonstrated promising results, these efforts have been largely confined to 2D molecular graph representations, limiting the ability to perform geometry-based conditional generation. In this work, we present SynCoGen (Synthesizable Co-Generation), a single framework that combines simultaneous masked graph diffusion and flow matching for synthesizable 3D molecule generation. SynCoGen samples from the joint distribution of molecular building blocks, chemical reactions, and atomic coordinates. To train the model, we curated SynSpace, a dataset containing over 600K synthesis-aware building block graphs and 3.3M conformers. SynCoGen achieves state-of-the-art performance in unconditional small molecule graph and conformer generation, and the model delivers competitive performance in zero-shot molecular linker design for protein ligand generation in drug discovery. Overall, this multimodal formulation represents a foundation for future applications enabled by non-autoregressive molecular generation, including analog expansion, lead optimization, and direct structure conditioning.
• Abstract（参考訳）: 生成小分子設計における合成可能性の確保は依然として大きな課題である。 合成可能な分子生成の最近の進歩は有望な成果を示しているが、これらの試みは2次元の分子グラフ表現に限られており、幾何学に基づく条件生成を行う能力に制限がある。 本研究では,SynCoGen(Synthesizable Co-Generation)を合成可能な3次元分子生成のための同時マスクグラフ拡散とフローマッチングを組み合わせた単一のフレームワークとして紹介する。 分子構造ブロック、化学反応、原子座標の結合分布からのSynCoGenサンプル。 モデルをトレーニングするために、600K以上の合成対応ブロックグラフと3.3Mコンバータを含むデータセットであるSynSpaceをキュレートした。 SynCoGenは、無条件の小さな分子グラフとコンホメータ生成における最先端の性能を達成し、医薬品発見におけるタンパク質リガンド生成のためのゼロショット分子リンカー設計において競合性能を提供する。 全体として、このマルチモーダル定式化は、アナログ展開、鉛最適化、直接構造条件付けを含む非自己回帰分子生成によって実現される将来の応用の基礎である。

関連論文リスト

• Synthesizable by Design: A Retrosynthesis-Guided Framework for Molecular Analog Generation [0.5852077003870417]
  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。
  論文  参考訳（メタデータ） (2025-07-03T16:14:57Z)
• A collaborative constrained graph diffusion model for the generation of realistic synthetic molecules [0.0]
  化学的に有効な分子を生成することができる協調的および制約付きグラフ拡散モデルであるCoCoGraphを紹介する。 モデルとコラボレーティブメカニズムに組み込まれた制約のおかげで、CoCoGraphは標準ベンチマークにおける最先端のアプローチよりも優れています。 我々は820万個の合成分子のデータベースを作成し、有機化学の専門家とともにチューリングのような試験を行い、生成した分子の妥当性をさらに評価した。
  論文  参考訳（メタデータ） (2025-05-22T08:21:27Z)
• 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)
• SynthFormer: Equivariant Pharmacophore-based Generation of Synthesizable Molecules for Ligand-Based Drug Design [19.578382119811238]
  本稿では,合成木として構築された完全合成可能な分子を生成する機械学習モデルであるSynthFormerについて紹介する。 これは第一種アプローチであり、薬理泳動に基づく活性分子を設計する能力を提供する可能性がある。
  論文  参考訳（メタデータ） (2024-10-03T17:38:46Z)
• 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)
• An Equivariant Generative Framework for Molecular Graph-Structure Co-Design [54.92529253182004]
  分子グラフ構造アンダーラインCo設計のための機械学習ベースの生成フレームワークであるMollCodeを提案する。 MolCodeでは、3D幾何情報によって分子2Dグラフの生成が促進され、それによって分子3D構造の予測が導かれる。 分子設計における2次元トポロジーと3次元幾何は本質的に相補的な情報を含んでいることが明らかとなった。
  論文  参考訳（メタデータ） (2023-04-12T13:34:22Z)
• MiDi: Mixed Graph and 3D Denoising Diffusion for Molecule Generation [47.15291538945242]
  この研究は、分子グラフとそれに対応する原子の3次元配置を共同生成する新しい拡散モデルであるMiDiを紹介する。 3Dコンホメーションに基づいて分子結合を決定するための事前定義された規則に依存する既存の方法とは異なり、MiDiは分子生成過程を合理化するエンドツーエンドの微分可能なアプローチを提供する。
  論文  参考訳（メタデータ） (2023-02-17T18:27:14Z)
• DiffBP: Generative Diffusion of 3D Molecules for Target Protein Binding [51.970607704953096]
  従来の研究は通常、原子の要素タイプと3次元座標を1つずつ生成する自己回帰的な方法で原子を生成する。 現実世界の分子系では、分子全体の原子間の相互作用が大域的であり、原子間のエネルギー関数が結合する。 本研究では、標的タンパク質に基づく分子3次元構造の生成拡散モデルを構築し、非自己回帰的に全原子レベルで構築する。
  論文  参考訳（メタデータ） (2022-11-21T07:02:15Z)
• In-Pocket 3D Graphs Enhance Ligand-Target Compatibility in Generative Small-Molecule Creation [0.0]
  本稿では,関係グラフアーキテクチャ内の3次元タンパク質-リガンド接触を符号化したグラフベース生成モデリング技術を提案する。 これらのモデルは、活性特異的な分子生成を可能にする条件付き変分オートエンコーダと、ターゲットの結合ポケット内の分子相互作用の予測を提供する配置接触生成を組み合わせる。
  論文  参考訳（メタデータ） (2022-04-05T22:53:51Z)
• Learning Neural Generative Dynamics for Molecular Conformation Generation [89.03173504444415]
  分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。 分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-02-20T03:17:58Z)
• Learning Graph Models for Retrosynthesis Prediction [90.15523831087269]
  再合成予測は有機合成の基本的な問題である。 本稿では,前駆体分子のグラフトポロジーが化学反応中にほとんど変化しないという考え方を生かしたグラフベースのアプローチを提案する。 提案モデルでは,テンプレートフリーおよび半テンプレートベースの手法よりも高い5,3.7%の精度でトップ1の精度を実現している。
  論文  参考訳（メタデータ） (2020-06-12T09:40:42Z)
• 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。