論文の概要: Multi-domain Distribution Learning for De Novo Drug Design
- arxiv url: http://arxiv.org/abs/2508.17815v1
- Date: Mon, 25 Aug 2025 09:12:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-26 18:43:45.703479
- Title: Multi-domain Distribution Learning for De Novo Drug Design
- Title（参考訳）: De Novoドラッグデザインのためのマルチドメイン分散学習
- Authors: Arne Schneuing, Ilia Igashov, Adrian W. Dobbelstein, Thomas Castiglione, Michael Bronstein, Bruno Correia,
- Abstract要約: DrugFlowは、個別のMarkovブリッジと連続的なフローマッチングを統合する構造に基づくドラッグデザインのための生成モデルである。
我々は,配布外サンプルを検出可能な不確実性推定値でD薬流を推定した。
我々は、側鎖の角度と分子を共同でサンプリングすることで、タンパク質のコンフォメーションランドスケープを探索するために、モデルを拡張した。
- 参考スコア（独自算出の注目度）: 5.947157646283629
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We introduce DrugFlow, a generative model for structure-based drug design that integrates continuous flow matching with discrete Markov bridges, demonstrating state-of-the-art performance in learning chemical, geometric, and physical aspects of three-dimensional protein-ligand data. We endow DrugFlow with an uncertainty estimate that is able to detect out-of-distribution samples. To further enhance the sampling process towards distribution regions with desirable metric values, we propose a joint preference alignment scheme applicable to both flow matching and Markov bridge frameworks. Furthermore, we extend our model to also explore the conformational landscape of the protein by jointly sampling side chain angles and molecules.
- Abstract（参考訳）: 本稿では,3次元タンパク質リガンドデータの化学的,幾何学的,物理的側面の学習において,連続フローマッチングと離散マルコフブリッジを統合した構造的医薬品設計のための生成モデルであるD薬流について紹介する。
我々は,配布外サンプルを検出可能な不確実性推定値でD薬流を推定した。
そこで本研究では,フローマッチングとマルコフブリッジの両フレームワークに適用可能な協調優先配置方式を提案する。
さらに、側鎖の角度と分子を共同でサンプリングすることで、タンパク質のコンフォメーションランドスケープを探索するために、我々のモデルを拡張します。
関連論文リスト
- 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) - Geometric-informed GFlowNets for Structure-Based Drug Design [4.8722087770556906]
我々は生成フローネットワーク(GFlowNets)を用いて、薬物様分子の広大な空間を探索する。
三角的に一貫した埋め込みを組み込むことにより,GFlowNetフレームワークに新たな改良を加える。
CrossDocked 2020を用いて行った実験では、生成された分子とタンパク質ポケットの結合親和性が改善された。
論文 参考訳（メタデータ） (2024-06-16T09:32:19Z) - 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) - Full-Atom Peptide Design based on Multi-modal Flow Matching [32.58558711545861]
フル原子ペプチドの設計のためのフローマッチングフレームワークを基盤とした,最初のマルチモーダル深層生成モデルであるPepFlowについて述べる。
高次元トーラス上で,$mathrmSE(3)$多様体内の剛性バックボーンフレームと側鎖角を用いてペプチド構造を特徴付ける。
提案手法は,固定バックボーンシーケンス設計や部分サンプリングによるサイドチェーンパッキングなど,様々なタスクに順応的に取り組む。
論文 参考訳（メタデータ） (2024-06-02T12:59:54Z) - Sequence-Augmented SE(3)-Flow Matching For Conditional Protein Backbone Generation [55.93511121486321]
タンパク質構造生成のための新しいシーケンス条件付きフローマッチングモデルFoldFlow-2を紹介する。
我々は、以前の作業のPDBデータセットよりも桁違いに大きい新しいデータセットでFoldFlow-2を大規模にトレーニングします。
我々はFoldFlow-2が従来のタンパク質構造に基づく生成モデルよりも優れていることを実証的に観察した。
論文 参考訳（メタデータ） (2024-05-30T17:53:50Z) - 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) - DecompOpt: Controllable and Decomposed Diffusion Models for Structure-based Molecular Optimization [49.85944390503957]
DecompOptは、制御可能・拡散モデルに基づく構造に基づく分子最適化手法である。
DecompOptは強いde novoベースラインよりも優れた特性を持つ分子を効率よく生成できることを示す。
論文 参考訳（メタデータ） (2024-03-07T02:53:40Z) - SE(3)-Stochastic Flow Matching for Protein Backbone Generation [54.951832422425454]
我々はFoldFlowを紹介した。FoldFlowは,3mathrmD$の剛性運動に対するフローマッチングパラダイムに基づく,モデリング能力向上のための新しい生成モデルである。
FoldFlow生成モデルのファミリーは、タンパク質の生成モデルに対する従来のアプローチよりもいくつかの利点を提供している。
論文 参考訳（メタデータ） (2023-10-03T19:24:24Z) - Protein Design with Guided Discrete Diffusion [67.06148688398677]
タンパク質設計における一般的なアプローチは、生成モデルと条件付きサンプリングのための識別モデルを組み合わせることである。
離散拡散モデルのためのガイダンス手法であるdiffusioN Optimized Smpling (NOS)を提案する。
NOSは、構造に基づく手法の重要な制限を回避し、シーケンス空間で直接設計を行うことができる。
論文 参考訳（メタデータ） (2023-05-31T16:31:24Z)
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。