論文の概要: Prior-Guided Flow Matching for Target-Aware Molecule Design with Learnable Atom Number

• arxiv url: http://arxiv.org/abs/2509.01486v1
• Date: Mon, 01 Sep 2025 14:06:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.726399
• Title: Prior-Guided Flow Matching for Target-Aware Molecule Design with Learnable Atom Number
• Title（参考訳）: 学習可能な原子数を持つターゲット対応分子設計のための事前誘導型フローマッチング
• Authors: Jingyuan Zhou, Hao Qian, Shikui Tu, Lei Xu,
• Abstract要約: 構造に基づく薬物設計(SBDD)は、標的タンパク質に対して高い結合親和性を持つ3D分子を生成することを目的としている。 最近の生成モデルは不安定な確率力学と生成分子の大きさとタンパク質ポケット形状のミスマッチに悩まされている。 本稿では,先行相互作用誘導と学習可能な原子数予測器を備えた新規な標的認識分子生成モデルPAFlowを提案する。
• 参考スコア（独自算出の注目度）: 14.75177520049496
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Structure-based drug design (SBDD), aiming to generate 3D molecules with high binding affinity toward target proteins, is a vital approach in novel drug discovery. Although recent generative models have shown great potential, they suffer from unstable probability dynamics and mismatch between generated molecule size and the protein pockets geometry, resulting in inconsistent quality and off-target effects. We propose PAFlow, a novel target-aware molecular generation model featuring prior interaction guidance and a learnable atom number predictor. PAFlow adopts the efficient flow matching framework to model the generation process and constructs a new form of conditional flow matching for discrete atom types. A protein-ligand interaction predictor is incorporated to guide the vector field toward higher-affinity regions during generation, while an atom number predictor based on protein pocket information is designed to better align generated molecule size with target geometry. Extensive experiments on the CrossDocked2020 benchmark show that PAFlow achieves a new state-of-the-art in binding affinity (up to -8.31 Avg. Vina Score), simultaneously maintains favorable molecular properties.
• Abstract（参考訳）: SBDD(Structure-based drug design)は、標的タンパク質に対して高い結合親和性を持つ3D分子を生成することを目的としており、新規な薬物発見において重要なアプローチである。 最近の生成モデルは大きな可能性を示しているが、それらは不安定な確率力学と生成分子の大きさとタンパク質ポケット形状のミスマッチに悩まされ、一貫性のない品質と標的外効果をもたらす。 本稿では,先行相互作用誘導と学習可能な原子数予測器を備えた新規な標的認識分子生成モデルPAFlowを提案する。 PAFlowは、生成プロセスをモデル化するために効率的なフローマッチングフレームワークを採用し、個別の原子タイプに対する条件付きフローマッチングの新しい形式を構築する。 生成中のベクターフィールドを高親和性領域へ導くために、タンパク質-リガンド相互作用予測器が組み込まれ、タンパク質ポケット情報に基づく原子番号予測器は、生成された分子サイズとターゲット形状との整合性を改善するように設計されている。 CrossDocked2020ベンチマークの広範囲な実験により、PAFlowは結合親和性(最大8.31 Avg. Vina Score)の新たな最先端を達成し、同時に良好な分子特性を維持することが示されている。

関連論文リスト

• 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)
• Molecule Generation for Target Protein Binding with Hierarchical Consistency Diffusion Model [17.885767456439215]
  Atom-Motif Consistency Diffusion Model (AMDiff)は、分子の原子レベルのビューとモチーフレベルのビューを統合する階層的な拡散アーキテクチャである。 既存のアプローチと比較して、AMDiffは様々なタンパク質ポケットに適合するように調整された分子の生成において、優れた妥当性と新規性を示す。
  論文  参考訳（メタデータ） (2025-03-02T17:54:30Z)
• Improving Molecular Graph Generation with Flow Matching and Optimal Transport [8.2504828891983]
  GGFlowは分子グラフの最適輸送を取り入れた離散フローマッチング生成モデルである。 エッジ拡張グラフ変換器を内蔵し、化学結合間の直接通信を可能にする。 GGFlowは無条件および条件付き分子生成タスクにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2024-11-08T16:27:27Z)
• Cell Morphology-Guided Small Molecule Generation with GFlowNets [41.8027680592766]
  本稿では,GFlowNetsの報酬として潜在類似性を定義するために,教師なしマルチモーダルジョイント埋め込みを提案する。 提案したモデルでは、与えられた画像ターゲットと類似した表現型効果を生じさせる新しい分子の生成を学習する。 提案手法は, ターゲットに高い形態的, 構造的類似性を有する分子を生成し, 類似した生物活性の可能性が高まることを示した。
  論文  参考訳（メタデータ） (2024-08-09T17:40:35Z)
• Aligning Target-Aware Molecule Diffusion Models with Exact Energy Optimization [147.7899503829411]
  AliDiffは、事前訓練されたターゲット拡散モデルと望ましい機能特性を整合させる新しいフレームワークである。 最先端の結合エネルギーを持つ分子を最大7.07 Avg. Vina Scoreで生成することができる。
  論文  参考訳（メタデータ） (2024-07-01T06:10:29Z)
• Molecule Design by Latent Prompt Transformer [76.2112075557233]
  本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。 本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-27T03:33:23Z)
• 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)
• 3D Equivariant Diffusion for Target-Aware Molecule Generation and Affinity Prediction [9.67574543046801]
  標的薬物設計における3D構造の導入は、他の標的のないモデルよりも優れた性能を示す。 上記の課題を解決するために,3次元同変拡散モデルを開発した。 我々のモデルは、より現実的な3D構造とタンパク質標的に対する親和性を持つ分子を生成し、再学習することなく結合親和性ランキングと予測を改善することができる。
  論文  参考訳（メタデータ） (2023-03-06T23:01:43Z)
• 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)

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。