論文の概要: Copyright Protection for 3D Molecular Structures with Watermarking

• arxiv url: http://arxiv.org/abs/2508.17702v1
• Date: Mon, 25 Aug 2025 06:21:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.658503
• Title: Copyright Protection for 3D Molecular Structures with Watermarking
• Title（参考訳）: 透かしによる3次元分子構造の保護
• Authors: Runwen Hu, Peilin Chen, Keyan Ding, Shiqi Wang,
• Abstract要約: そこで本研究では,分子用に設計された最初のロバストな透かし法を提案する。 埋め込み透かしの実現可能性を示し,90.00%以上の基本特性を維持した。 下流ドッキングシミュレーションは、オリジナル分子とウォーターマーク分子の同等の性能を示す。
• 参考スコア（独自算出の注目度）: 21.085817958657326
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial intelligence (AI) revolutionizes molecule generation in bioengineering and biological research, significantly accelerating discovery processes. However, this advancement introduces critical concerns regarding intellectual property protection. To address these challenges, we propose the first robust watermarking method designed for molecules, which utilizes atom-level features to preserve molecular integrity and invariant features to ensure robustness against affine transformations. Comprehensive experiments validate the effectiveness of our method using the datasets QM9 and GEOM-DRUG, and generative models GeoBFN and GeoLDM. We demonstrate the feasibility of embedding watermarks, maintaining basic properties higher than 90.00\% while achieving watermark accuracy greater than 95.00\%. Furthermore, downstream docking simulations reveal comparable performance between original and watermarked molecules, with binding affinities reaching -6.00 kcal/mol and root mean square deviations below 1.602 \AA. These results confirm that our watermarking technique effectively safeguards molecular intellectual property without compromising scientific utility, enabling secure and responsible AI integration in molecular discovery and research applications.
• Abstract（参考訳）: 人工知能(AI)は、生物工学と生物研究における分子生成に革命をもたらし、発見プロセスを大幅に加速させる。 しかし、この進歩は知的財産権の保護に関する重大な懸念をもたらす。 これらの課題に対処するために,アフィン変換に対するロバスト性を確保するために,分子レベルの特徴を利用して分子の完全性と不変性を保ち,分子のための最初のロバストな透かし法を提案する。 提案手法の有効性を,データセット QM9 と GEOM-DRUG と生成モデル GeoBFN と GeoLDM を用いて検証した。 埋め込み透かしが90.00\%以上の基本特性を維持しつつ,95.00\%以上の透かし精度を達成できることを示す。 さらに下流ドッキングシミュレーションでは、結合親和性は-6.00 kcal/molに達し、根の平均平方偏差は1.602 \AA未満である。 これらの結果は,我々の透かし技術が科学的有用性を損なうことなく,分子の知的財産権を効果的に保護し,分子発見と研究への応用においてセキュアかつ責任あるAI統合を可能にすることを確認した。

関連論文リスト

• GUISE: Graph GaUssIan Shading watErmark [0.0]
  潜在3Dグラフ拡散(LDM-3DG)は、分子グラフ生成分野における上述のアプローチである。 我々の適応は、重複とパディングによる透かし拡散過程を単純化し、様々なメッセージタイプに適応し、適している。 その結果, 透かしを施した分子は, 性能指標10点中9点において, 元の値と比較して統計的に同値であることがわかった。
  論文  参考訳（メタデータ） (2024-10-14T05:51:53Z)
• Data-Efficient Molecular Generation with Hierarchical Textual Inversion [48.816943690420224]
  分子生成のための階層型テキスト変換法 (HI-Mol) を提案する。 HI-Molは分子分布を理解する上での階層的情報、例えば粗い特徴ときめ細かい特徴の重要性にインスパイアされている。 単一レベルトークン埋め込みを用いた画像領域の従来のテキストインバージョン法と比較して, マルチレベルトークン埋め込みにより, 基礎となる低ショット分子分布を効果的に学習することができる。
  論文  参考訳（メタデータ） (2024-05-05T08:35:23Z)
• Mol-AIR: Molecular Reinforcement Learning with Adaptive Intrinsic Rewards for Goal-directed Molecular Generation [0.0]
  Mol-AIRは、ゴール指向分子生成のための適応型固有報酬を用いた強化学習ベースのフレームワークである。 ベンチマークテストでは、Moll-AIRは所望の特性を持つ分子を生成する既存のアプローチよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-03-29T10:44:51Z)
• SE(3)-Invariant Multiparameter Persistent Homology for Chiral-Sensitive Molecular Property Prediction [1.534667887016089]
  多パラメータ持続ホモロジー(MPPH)を用いた新しい分子指紋生成法を提案する。 この技術は、正確な分子特性予測が不可欠である薬物発見と材料科学において、かなりの重要性を持っている。 分子特性の予測における既存の最先端手法よりも優れた性能を示し,MoleculeNetベンチマークで広範囲な評価を行った。
  論文  参考訳（メタデータ） (2023-12-12T09:33:54Z)
• ChemSpaceAL: An Efficient Active Learning Methodology Applied to Protein-Specific Molecular Generation [0.0]
  本稿では,生成したデータのサブセットのみを評価することを必要とする,計算効率のよい能動的学習手法を提案する。 FDAが承認した小分子インヒビターc-Ablキナーゼを用いたタンパク質に対するGPT分子ジェネレータの微調整による標的分子生成への本手法の適用性を実証した。 興味深いことに、このモデルは、その存在を事前に知ることなく、インヒビターに似た分子を生成することを学び、それらのうち2つを正確に再現する。
  論文  参考訳（メタデータ） (2023-09-11T22:28:36Z)
• Chemical-Reaction-Aware Molecule Representation Learning [88.79052749877334]
  本稿では,化学反応を用いて分子表現の学習を支援することを提案する。 本手法は,1) 埋め込み空間を適切に整理し, 2) 分子埋め込みの一般化能力を向上させるために有効であることが証明された。 実験結果から,本手法は様々なダウンストリームタスクにおける最先端性能を実現することが示された。
  論文  参考訳（メタデータ） (2021-09-21T00:08:43Z)
• Augmenting Molecular Deep Generative Models with Topological Data Analysis Representations [21.237758981760784]
  分子のトポロジカルデータ解析(TDA)表現を付加したSMILES変分自動エンコーダ(VAE)を提案する。 実験の結果, このTDA拡張により, SMILES VAEは3次元幾何学と電子特性の複雑な関係を捉えることができることがわかった。
  論文  参考訳（メタデータ） (2021-06-08T15:49:21Z)
• Optimizing Molecules using Efficient Queries from Property Evaluations [66.66290256377376]
  汎用的なクエリベースの分子最適化フレームワークであるQMOを提案する。 QMOは効率的なクエリに基づいて入力分子の所望の特性を改善する。 QMOは, 有機分子を最適化するベンチマークタスクにおいて, 既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-03T18:51:18Z)

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。