論文の概要: PhenoMoler: Phenotype-Guided Molecular Optimization via Chemistry Large Language Model
- arxiv url: http://arxiv.org/abs/2509.21424v1
- Date: Thu, 25 Sep 2025 09:37:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-29 20:57:53.921822
- Title: PhenoMoler: Phenotype-Guided Molecular Optimization via Chemistry Large Language Model
- Title（参考訳）: PhenoMoler: 化学大言語モデルによるPhenotype-Guided分子最適化
- Authors: Ran Song, Hui Liu,
- Abstract要約: フェノモラーは化学的に有効で、新規で多様な分子を所望の表現型プロファイルに沿って生成する。
FDAが承認した薬物と比較すると、生成された化合物は、同等または強化された薬物類似性(QED)、最適化された物理化学的性質、および主要ながん標的に対する優れた結合親和性を示す。
- 参考スコア（独自算出の注目度）: 9.301996807475282
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Current molecular generative models primarily focus on improving drug-target binding affinity and specificity, often neglecting the system-level phenotypic effects elicited by compounds. Transcriptional profiles, as molecule-level readouts of drug-induced phenotypic shifts, offer a powerful opportunity to guide molecular design in a phenotype-aware manner. We present PhenoMoler, a phenotype-guided molecular generation framework that integrates a chemistry large language model with expression profiles to enable biologically informed drug design. By conditioning the generation on drug-induced differential expression signatures, PhenoMoler explicitly links transcriptional responses to chemical structure. By selectively masking and reconstructing specific substructures-scaffolds, side chains, or linkers-PhenoMoler supports fine-grained, controllable molecular optimization. Extensive experiments demonstrate that PhenoMoler generates chemically valid, novel, and diverse molecules aligned with desired phenotypic profiles. Compared to FDA-approved drugs, the generated compounds exhibit comparable or enhanced drug-likeness (QED), optimized physicochemical properties, and superior binding affinity to key cancer targets. These findings highlight PhenoMoler's potential for phenotype-guided and structure-controllable molecular optimization.
- Abstract（参考訳）: 現在の分子生成モデルは、主に薬物-標的結合親和性と特異性の改善に焦点を当てており、しばしば化合物によって引き起こされるシステムレベルの表現型効果を無視している。
転写プロファイルは、薬物によって誘導される表現型シフトの分子レベルの読み出しとして、表現型を意識した方法で分子設計をガイドする強力な機会を提供する。
本稿では,表現型誘導分子生成フレームワークであるPhenoMolerについて述べる。
PhenoMolerは、薬剤によって引き起こされる差分発現シグネチャの生成を条件にすることにより、転写応答を化学構造に明示的に関連付ける。
特定の部分構造体、側鎖、リンカーを選択的にマスキングして再構成することで、PhenoMolerは微細で制御可能な分子最適化をサポートする。
大規模な実験により、フェノモラーは化学的に有効で、新規で多様な分子を所望の表現型プロファイルに整列させることが示されている。
FDAが承認した薬物と比較すると、生成された化合物は、同等または強化された薬物類似性(QED)、最適化された物理化学的性質、および主要ながん標的に対する優れた結合親和性を示す。
これらの結果は、表現型誘導型および構造制御可能な分子最適化に対するPhenoMolerのポテンシャルを浮き彫りにした。
関連論文リスト
- ExMolRL: Phenotype-Target Joint Generation of De Novo Molecules via Multi-Objective Reinforcement Learning [4.998189068886174]
ExMoIRLは、デノボ分子生成のための表現型および標的特異的なキューを統合する新しい生成フレームワークである。
ドッキング親和性と薬物類似度スコアを融合させ、ランキング損失、前装正規化、エントロピーを増強する。
大規模な実験では、ExMoIRLは最先端およびターゲットベースモデルよりも優れた性能を示している。
論文 参考訳（メタデータ） (2025-09-25T11:13:24Z) - Knowledge-aware contrastive heterogeneous molecular graph learning [77.94721384862699]
分子グラフを不均一な分子グラフ学習(KCHML)に符号化するパラダイムシフトを提案する。
KCHMLは、不均一な分子グラフと二重メッセージパッシング機構によって強化された3つの異なるグラフビュー-分子、元素、薬理学-を通して分子を概念化する。
この設計は、プロパティ予測やドラッグ・ドラッグ・インタラクション(DDI)予測などの下流タスクに対する包括的な表現を提供する。
論文 参考訳（メタデータ） (2025-02-17T11:53:58Z) - FARM: Functional Group-Aware Representations for Small Molecules [55.281754551202326]
小型分子のための機能的グループ認識表現(FARM)について紹介する。
FARMはSMILES、自然言語、分子グラフのギャップを埋めるために設計された新しいモデルである。
我々は、13のタスクのうち11のタスクで最先端のパフォーマンスを達成するMoleculeNetデータセット上で、FARMを評価した。
論文 参考訳（メタデータ） (2024-10-02T23:04:58Z) - 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) - Domain-Agnostic Molecular Generation with Chemical Feedback [44.063584808910896]
MolGenは、分子生成に特化した事前訓練された分子言語モデルである。
1億以上の分子SELFIESを再構成することで構造的および文法的な洞察を内部化する。
我々の化学フィードバックパラダイムは、モデルを分子幻覚から遠ざけ、モデルの推定確率と実世界の化学的嗜好との整合性を確保する。
論文 参考訳（メタデータ） (2023-01-26T17:52:56Z)
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。