論文の概要: FLOWR.root: A flow matching based foundation model for joint multi-purpose structure-aware 3D ligand generation and affinity prediction

• arxiv url: http://arxiv.org/abs/2510.02578v1
• Date: Thu, 02 Oct 2025 21:38:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 16:35:52.186158
• Title: FLOWR.root: A flow matching based foundation model for joint multi-purpose structure-aware 3D ligand generation and affinity prediction
• Title（参考訳）: FLOWR.root: 連立多目的構造認識3Dリガンド生成と親和性予測のためのフローマッチングに基づく基礎モデル
• Authors: Julian Cremer, Tuan Le, Mohammad M. Ghahremanpour, Emilia Sługocka, Filipe Menezes, Djork-Arné Clevert,
• Abstract要約: Flowr.rootは、無条件の3D分子生成とポケット条件のリガンド設計において最先端の性能を達成する。 基礎モデルとして、Flowr.rootは、目に見えない構造活動の風景を説明するために、プロジェクト固有のデータセットを微調整する必要がある。 Flowr.rootは構造認識生成、親和性推定、プロパティ誘導サンプリングを統合することで、構造に基づく薬物設計の包括的な基盤を提供する。
• 参考スコア（独自算出の注目度）: 5.216915896877018
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present Flowr.root, an equivariant flow-matching model for pocket-aware 3D ligand generation with joint binding affinity prediction and confidence estimation. The model supports de novo generation, pharmacophore-conditional sampling, fragment elaboration, and multi-endpoint affinity prediction (pIC50, pKi, pKd, pEC50). Training combines large-scale ligand libraries with mixed-fidelity protein-ligand complexes, followed by refinement on curated co-crystal datasets and parameter-efficient finetuning for project-specific adaptation. Flowr.root achieves state-of-the-art performance in unconditional 3D molecule generation and pocket-conditional ligand design, producing geometrically realistic, low-strain structures. The integrated affinity prediction module demonstrates superior accuracy on the SPINDR test set and outperforms recent models on the Schrodinger FEP+/OpenFE benchmark with substantial speed advantages. As a foundation model, Flowr.root requires finetuning on project-specific datasets to account for unseen structure-activity landscapes, yielding strong correlation with experimental data. Joint generation and affinity prediction enable inference-time scaling through importance sampling, steering molecular design toward higher-affinity compounds. Case studies validate this: selective CK2alpha ligand generation against CLK3 shows significant correlation between predicted and quantum-mechanical binding energies, while ERalpha and TYK2 scaffold elaboration demonstrates strong agreement with QM calculations. By integrating structure-aware generation, affinity estimation, and property-guided sampling, Flowr.root provides a comprehensive foundation for structure-based drug design spanning hit identification through lead optimization.
• Abstract（参考訳）: 本稿では,共同結合親和性予測と信頼度推定を備えたポケット型3次元リガンド生成のための同変フローマッチングモデルであるFlowr.rootを提案する。 このモデルでは、de novo生成、薬理泳動条件サンプリング、フラグメントエラボレーション、マルチエンドポイント親和性予測(pIC50、pKi、pKd、pEC50)がサポートされている。 訓練は、大規模リガンドライブラリと混合忠実タンパク質-リガンド複合体を組み合わせるとともに、キュレートされたコクリスタルデータセットの洗練と、プロジェクト固有の適応のためのパラメータ効率の高い微調整を行う。 Flowr.rootは、非条件の3D分子生成とポケット条件のリガンド設計において最先端の性能を実現し、幾何学的にリアルで低ひずみな構造を作り出す。 統合アフィニティ予測モジュールはSPINDRテストセットよりも優れた精度を示し、Schrodinger FEP+/OpenFEベンチマークの最近のモデルよりもかなり高速である。 基礎モデルとして、Flowr.rootは、目に見えない構造活性の景観を説明するために、プロジェクト固有のデータセットの微調整を必要とし、実験データと強い相関関係をもたらす。 共同生成および親和性予測は、高親和性化合物に対する分子設計の重要サンプリングによる推論時間スケーリングを可能にする。 CLK3に対する選択的CK2アルファ配位子生成は予測された結合エネルギーと量子力学的結合エネルギーの間に有意な相関を示す一方、ERalphaとTYK2の足場実験はQM計算と強い相関を示す。 Flowr.rootは、構造認識生成、親和性推定、プロパティ誘導サンプリングを統合することで、リード最適化によるヒット識別にまたがる構造に基づく薬物設計の包括的な基盤を提供する。

関連論文リスト

• A Geometric Graph-Based Deep Learning Model for Drug-Target Affinity Prediction [0.0]
  グラフ学習フレームワークに残差接続とアテンション機構を統合したディープ畳み込みニューラルネットワークDeepGGLを導入する。 マルチスケールの重み付き二部体部分グラフを活用することで、DeepGGLは複数のスケールにわたるタンパク質-リガンド複合体の微細な原子レベルの相互作用を効果的に捉えることができる。 DeepGGLは高い予測精度を維持し、構造に基づく薬物発見におけるアフィニティ予測への適応性と信頼性を強調した。
  論文  参考訳（メタデータ） (2025-09-15T14:06:39Z)
• Composable Score-based Graph Diffusion Model for Multi-Conditional Molecular Generation [85.58520120011269]
  本研究では,具体的スコアを用いてスコアマッチングを離散グラフに拡張するComposable Score-based Graph Diffusion Model (CSGD)を提案する。 CSGDは従来の手法よりも平均15.3%の制御性向上を実現していることを示す。 本研究は, 離散グラフ生成におけるスコアベースモデリングの実用的利点と, フレキシブルでマルチプロパタイトな分子設計のためのキャパシティを強調した。
  論文  参考訳（メタデータ） (2025-09-11T13:37:56Z)
• FLOWR: Flow Matching for Structure-Aware De Novo, Interaction- and Fragment-Based Ligand Generation [41.45709903229401]
  FLOWRは3次元構造の生成と最適化のための新しいフレームワークである。 FLOWRは、PoseBustersの妥当性の観点から、最先端の拡散とフローベースのメソッドを超越し、精度とインタラクションの回復を図っている。
  論文  参考訳（メタデータ） (2025-04-14T17:18:09Z)
• UniGenX: a unified generative foundation model that couples sequence, structure and function to accelerate scientific design across proteins, molecules and materials [62.72989417755985]
  自然系における関数の統一生成モデルUniGenXを提案する。 UniGenXはシンボルトークンと数値トークンの混合ストリームとして異種入力を表す。 ドメイン間のファンクション・アウェア・ジェネレーションに対して、最先端または競合的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-03-09T16:43:07Z)
• Lightweight Deep Learning Framework for Accurate Particle Flow Energy Reconstruction [8.598010350935596]
  本稿では,ディープラーニング再構築の枠組みを体系的に評価する。 重み付き平均2乗と誤差構造類似度指数を組み合わせたハイブリッド損失関数を設計する。 我々は,モーダル時間的相関とエネルギー変位非線形性を捉えるモデルの能力を強化する。
  論文  参考訳（メタデータ） (2024-10-08T11:49:18Z)
• SPIN: SE(3)-Invariant Physics Informed Network for Binding Affinity Prediction [3.406882192023597]
  タンパク質-リガンド結合親和性の正確な予測は、薬物開発に不可欠である。 伝統的な手法は、しばしば複合体の空間情報を正確にモデル化するのに失敗する。 この課題に適用可能な様々な帰納バイアスを組み込んだモデルSPINを提案する。
  論文  参考訳（メタデータ） (2024-07-10T08:40:07Z)
• 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)
• PILOT: Equivariant diffusion for pocket conditioned de novo ligand generation with multi-objective guidance via importance sampling [8.619610909783441]
  等変拡散モデル PILOT を用いて,$textitde novo$ で 3次元リガンド構造を生成するためのシリカ内アプローチを提案する。 その多目的的重要度サンプリング戦略は、モデルが望ましい特性を示す分子に向けられるよう設計されている。 我々はPILOTを用いて、Kinodata-3Dデータセットから未確認タンパク質ポケットの新しいメトリクスを生成する。
  論文  参考訳（メタデータ） (2024-05-23T17:58:28Z)
• 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)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)

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。