論文の概要: FlowMol3: Flow Matching for 3D De Novo Small-Molecule Generation

• arxiv url: http://arxiv.org/abs/2508.12629v1
• Date: Mon, 18 Aug 2025 05:13:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:10.975956
• Title: FlowMol3: Flow Matching for 3D De Novo Small-Molecule Generation
• Title（参考訳）: FlowMol3: 3次元デノボ小分子生成のためのフローマッチング
• Authors: Ian Dunn, David R. Koes,
• Abstract要約: FlowMol3はオープンソースのマルチモーダルフローマッチングモデルで、全原子、小分子生成のための最先端技術である。 本研究は,拡散型および流動型分子生成モデルの安定性と品質を向上させるための,単純かつ伝達可能な戦略を強調した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: A generative model capable of sampling realistic molecules with desired properties could accelerate chemical discovery across a wide range of applications. Toward this goal, significant effort has focused on developing models that jointly sample molecular topology and 3D structure. We present FlowMol3, an open-source, multi-modal flow matching model that advances the state of the art for all-atom, small-molecule generation. Its substantial performance gains over previous FlowMol versions are achieved without changes to the graph neural network architecture or the underlying flow matching formulation. Instead, FlowMol3's improvements arise from three architecture-agnostic techniques that incur negligible computational cost: self-conditioning, fake atoms, and train-time geometry distortion. FlowMol3 achieves nearly 100% molecular validity for drug-like molecules with explicit hydrogens, more accurately reproduces the functional group composition and geometry of its training data, and does so with an order of magnitude fewer learnable parameters than comparable methods. We hypothesize that these techniques mitigate a general pathology affecting transport-based generative models, enabling detection and correction of distribution drift during inference. Our results highlight simple, transferable strategies for improving the stability and quality of diffusion- and flow-based molecular generative models.
• Abstract（参考訳）: 望ましい性質を持つ現実的な分子をサンプリングできる生成モデルは、幅広い用途で化学発見を加速させることができる。 この目標に向けて、分子トポロジーと3D構造を共同でサンプリングするモデルの開発に注力してきた。 FlowMol3はオープンソースのマルチモーダルフローマッチングモデルであり、全原子・小分子生成の最先端を推し進める。 従来のFlowMolバージョンよりも大幅にパフォーマンスが向上し、グラフニューラルネットワークアーキテクチャや基盤となるフローマッチングの定式化を変更することなく実現されている。 代わりに、FlowMol3の改善は、自己条件、偽原子、および列車時の幾何学歪みという、無視可能な計算コストをもたらす3つのアーキテクチャに依存しない技術から生じる。 FlowMol3は、明示的な水素を持つ薬物のような分子に対して約100%の分子有効性を達成し、より正確にその訓練データの官能基組成と幾何を再現し、それと同等の手法よりも桁違いに少ない学習可能なパラメータでそれを行う。 これらの手法は,輸送モデルに影響を及ぼす一般的な病態を緩和し,推論中の分布ドリフトの検出と補正を可能にするという仮説を立てる。 本研究は,拡散型および流動型分子生成モデルの安定性と品質を向上させるための,単純かつ伝達可能な戦略を強調した。

関連論文リスト

• Efficient Molecular Conformer Generation with SO(3)-Averaged Flow Matching and Reflow [20.687237892960038]
  本稿では,3次元分子コンホメータ生成のための生成モデルの訓練と推定を高速化する2つのメカニズムを提案する。 高速な推論のために,フローベースモデルの再流動蒸留法により,数段階,あるいは1段階の分子コンホメータ生成を高品質に行うことが可能であることを示す。
  論文  参考訳（メタデータ） (2025-07-13T20:48:21Z)
• 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)
• 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)
• SemlaFlow -- Efficient 3D Molecular Generation with Latent Attention and Equivariant Flow Matching [43.56824843205882]
  SemlaはスケーラブルなE(3)等価メッセージパッシングアーキテクチャである。 SemlaFlowは、原子タイプ、座標、結合タイプ、正式な電荷の結合分布を生成するために訓練されている。 本モデルでは,20段階のサンプリングを行ない,ベンチマークデータセットの最先端結果を生成する。
  論文  参考訳（メタデータ） (2024-06-11T13:51:51Z)
• Mixed Continuous and Categorical Flow Matching for 3D De Novo Molecule Generation [0.0]
  フローマッチングは拡散モデルを一般化する最近提案された生成モデリングフレームワークである。 本稿では,フローマッチングフレームワークを,確率単純性として知られるカテゴリデータの連続的な表現に制約のあるフローを構築することにより,カテゴリデータに拡張する。 実際には、データのカテゴリ的な性質に配慮しないシンプルなアプローチは、同等あるいは優れたパフォーマンスをもたらすことが分かっています。
  論文  参考訳（メタデータ） (2024-04-30T17:37:21Z)
• 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)
• Equivariant Diffusion for Molecule Generation in 3D [74.289191525633]
  この研究は、ユークリッド変換に同値な3次元の分子計算生成のための拡散モデルを導入する。 提案手法は, 従来の3次元分子生成法に比べて, 生成した試料の品質と訓練時の効率を著しく向上させる。
  論文  参考訳（メタデータ） (2022-03-31T12:52:25Z)
• Molecular Attributes Transfer from Non-Parallel Data [57.010952598634944]
  分子最適化をスタイル伝達問題として定式化し、非並列データの2つのグループ間の内部差を自動的に学習できる新しい生成モデルを提案する。 毒性修飾と合成性向上という2つの分子最適化タスクの実験により,本モデルがいくつかの最先端手法を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2021-11-30T06:10:22Z)
• 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)

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。