Fugu-MT 論文翻訳(概要): Energy-Based Flow Matching for Generating 3D Molecular Structure

論文の概要: Energy-Based Flow Matching for Generating 3D Molecular Structure

arxiv url: http://arxiv.org/abs/2508.18949v1
Date: Tue, 26 Aug 2025 11:42:57 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-27 17:42:38.822353
Title: Energy-Based Flow Matching for Generating 3D Molecular Structure
Title（参考訳）: 3次元分子構造生成のためのエネルギーベースフローマッチング
Authors: Wenyin Zhou, Christopher Iliffe Sprague, Vsevolod Viliuga, Matteo Tadiello, Arne Elofsson, Hossein Azizpour,
Abstract要約: 我々は、構造生成モデルのトレーニングと推論を改善するため、フローマッチングに焦点をあて、エネルギーベースの視点を採用する。私たちのビューでは、ランダムな構成をテキストで初期化して学習するマッピング関数が得られます。タンパク質ドッキングとタンパク質のバックボーン生成の実験は、この方法の有効性を一貫して示している。
参考スコア（独自算出の注目度）: 7.055961224018033
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Molecular structure generation is a fundamental problem that involves determining the 3D positions of molecules' constituents. It has crucial biological applications, such as molecular docking, protein folding, and molecular design. Recent advances in generative modeling, such as diffusion models and flow matching, have made great progress on these tasks by modeling molecular conformations as a distribution. In this work, we focus on flow matching and adopt an energy-based perspective to improve training and inference of structure generation models. Our view results in a mapping function, represented by a deep network, that is directly learned to \textit{iteratively} map random configurations, i.e. samples from the source distribution, to target structures, i.e. points in the data manifold. This yields a conceptually simple and empirically effective flow matching setup that is theoretically justified and has interesting connections to fundamental properties such as idempotency and stability, as well as the empirically useful techniques such as structure refinement in AlphaFold. Experiments on protein docking as well as protein backbone generation consistently demonstrate the method's effectiveness, where it outperforms recent baselines of task-associated flow matching and diffusion models, using a similar computational budget.
Abstract（参考訳）: 分子構造生成は、分子の構成要素の3次元位置を決定することに関わる根本的な問題である。分子ドッキング、タンパク質の折り畳み、分子設計などの重要な生物学的応用がある。拡散モデルやフローマッチングなどの生成モデリングの最近の進歩は、分子配座を分布としてモデル化することによってこれらのタスクに大きな進歩をもたらした。本研究では,構造生成モデルのトレーニングと推論を改善するため,フローマッチングに焦点をあて,エネルギーベースの視点を採用する。我々の見解は、深層ネットワークで表されるマッピング関数を、ソース分布からターゲット構造、すなわちデータ多様体内の点へのランダムな構成、すなわち、textit{iteratively}マップに直接学習する。これは理論上は正当化され、イデオポテンシや安定性といった基本的な性質と興味深い結びつきを持つ、概念的に単純で経験的に効果的なフローマッチングのセットアップと、AlphaFoldにおける構造洗練のような経験的に有用な技術をもたらす。タンパク質ドッキングとタンパク質のバックボーン生成の実験は、同様の計算予算を用いて、タスク関連フローマッチングと拡散モデルの最近のベースラインを上回り、この方法の有効性を一貫して証明している。

関連論文リスト

Guiding Diffusion Models with Reinforcement Learning for Stable Molecule Generation [16.01877423456416]
物理フィードバックを用いた強化学習(Reinforcement Learning with Physical Feedback, RLPF)は, 拡散政策最適化を3次元分子生成に拡張する新しいフレームワークである。 RLPFは、力場評価から得られる報酬関数を導入し、エネルギー的に安定で物理的に意味のある構造への生成を導く。 QM9およびGEOM-drugデータセットの実験により、RLPFは既存の方法と比較して分子安定性を著しく改善することが示された。
論文参考訳（メタデータ） (2025-08-22T16:44:55Z)
FlowMol3: Flow Matching for 3D De Novo Small-Molecule Generation [0.0]
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。
論文参考訳（メタデータ） (2025-08-18T05:13:27Z)
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)
Structure Language Models for Protein Conformation Generation [66.42864253026053]
伝統的な物理学に基づくシミュレーション手法は、しばしばサンプリング平衡整合に苦しむ。深い生成モデルは、より効率的な代替としてタンパク質のコンホメーションを生成することを約束している。本稿では,効率的なタンパク質コンホメーション生成のための新しいフレームワークとして構造言語モデリングを紹介する。
論文参考訳（メタデータ） (2024-10-24T03:38:51Z)
Diffusion Models in $\textit{De Novo}$ Drug Design [0.0]
拡散モデルは、特に3次元分子構造の文脈において、分子生成の強力なツールとして登場した。本稿では,3次元分子生成に適した拡散モデルの技術的実装について述べる。
論文参考訳（メタデータ） (2024-06-07T06:34:13Z)
DecompDiff: Diffusion Models with Decomposed Priors for Structure-Based Drug Design [62.68420322996345]
既存の構造に基づく薬物設計法は、すべての配位子原子を等しく扱う。腕と足場を分解した新しい拡散モデルDecompDiffを提案する。提案手法は,高親和性分子の生成における最先端性能を実現する。
論文参考訳（メタデータ） (2024-02-26T05:21:21Z)
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)
Modeling Molecular Structures with Intrinsic Diffusion Models [2.487445341407889]
本論文は本質的拡散モデリングを提案する。拡散生成モデルと生物学的複合体の柔軟性に関する科学的知識を組み合わせる。計算化学と生物学に基づく2つの基本的な課題に対して,本手法の有効性を実証する。
論文参考訳（メタデータ） (2023-02-23T03:26:48Z)
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)
Generating Tertiary Protein Structures via an Interpretative Variational Autoencoder [16.554053012204182]
本稿では,タンパク質の機能的関連3次元構造を生成するための代替手法を提案し,評価する。いくつかの深層建築の包括的評価は、新しい第三次構造をサンプリングするための潜伏空間を直接明らかにする上で、生成モデルの可能性を示唆している。
論文参考訳（メタデータ） (2020-04-08T17:40:21Z)

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。