Fugu-MT 論文翻訳(概要): Uncertainty-Aware Multi-Objective Reinforcement Learning-Guided Diffusion Models for 3D De Novo Molecular Design

論文の概要: Uncertainty-Aware Multi-Objective Reinforcement Learning-Guided Diffusion Models for 3D De Novo Molecular Design

arxiv url: http://arxiv.org/abs/2510.21153v1
Date: Fri, 24 Oct 2025 04:49:23 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-28 09:00:15.388999
Title: Uncertainty-Aware Multi-Objective Reinforcement Learning-Guided Diffusion Models for 3D De Novo Molecular Design
Title（参考訳）: 3次元デノボ分子設計のための不確実性を考慮した多目的強化学習誘導拡散モデル
Authors: Lianghong Chen, Dongkyu Eugene Kim, Mike Domaratzki, Pingzhao Hu,
Abstract要約: 本稿では,3次元分子拡散モデルの最適化を導くための不確実性を考慮した強化学習フレームワークを提案する。自動分子設計を推進するためのRL誘導生成拡散モデルの強い可能性を示す。
参考スコア（独自算出の注目度）: 0.8749675983608171
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Designing de novo 3D molecules with desirable properties remains a fundamental challenge in drug discovery and molecular engineering. While diffusion models have demonstrated remarkable capabilities in generating high-quality 3D molecular structures, they often struggle to effectively control complex multi-objective constraints critical for real-world applications. In this study, we propose an uncertainty-aware Reinforcement Learning (RL) framework to guide the optimization of 3D molecular diffusion models toward multiple property objectives while enhancing the overall quality of the generated molecules. Our method leverages surrogate models with predictive uncertainty estimation to dynamically shape reward functions, facilitating balance across multiple optimization objectives. We comprehensively evaluate our framework across three benchmark datasets and multiple diffusion model architectures, consistently outperforming baselines for molecular quality and property optimization. Additionally, Molecular Dynamics (MD) simulations and ADMET profiling of top generated candidates indicate promising drug-like behavior and binding stability, comparable to known Epidermal Growth Factor Receptor (EGFR) inhibitors. Our results demonstrate the strong potential of RL-guided generative diffusion models for advancing automated molecular design.
Abstract（参考訳）: デ・ノボ3D分子を望ましい性質で設計することは、薬物発見と分子工学における根本的な課題である。拡散モデルは高品質な3次元分子構造を生成する際、顕著な能力を示してきたが、現実のアプリケーションにとって重要な複雑な多目的制約を効果的に制御するのに苦労することが多い。本研究では、3次元分子拡散モデルの最適化を複数の特性目標に向けて導くとともに、生成した分子の全体的な品質を向上する不確実性を考慮した強化学習(RL)フレームワークを提案する。提案手法は,予測不確実性推定を伴う代理モデルを利用して報酬関数を動的に形作り,複数の最適化目標間のバランスを取る。 3つのベンチマークデータセットと複数の拡散モデルアーキテクチャにまたがって、我々のフレームワークを総合的に評価し、分子品質と特性最適化のベースラインを一貫して上回っている。さらに、分子動力学シミュレーションと上位生成候補のADMETプロファイリングは、既知のEGFRインヒビターに匹敵する、有望な薬物様挙動と結合安定性を示す。自動分子設計を推進するためのRL誘導生成拡散モデルの強い可能性を示す。

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)
Generative molecule evolution using 3D pharmacophore for efficient Structure-Based Drug Design [8.652951659846838]
我々は、数十億の小さな分子データセットと乏しいタンパク質-リガンド複合体データセットのギャップを埋めるMEVOという進化的フレームワークを提案する。 MEVOは, 潜伏空間における分子表現のための高忠実度VQ-VAE, 薬理泳動誘導分子生成のための拡散モデル, 分子最適化のためのポケットアウェア進化戦略の3つの重要な構成要素から構成される。
論文参考訳（メタデータ） (2025-07-27T04:58:11Z)
Iterative Distillation for Reward-Guided Fine-Tuning of Diffusion Models in Biomolecular Design [58.8094854658848]
生体分子設計における報酬誘導生成のための微調整拡散モデルの問題に対処する。本稿では,拡散モデルによる任意の報酬関数の最適化を可能にする,反復蒸留に基づく微調整フレームワークを提案する。 KLの発散最小化と相まって,既存のRL法と比較してトレーニングの安定性とサンプル効率を向上させる。
論文参考訳（メタデータ） (2025-07-01T05:55:28Z)
DEMO:Diffusion-based Evolutionary Optimization for 3D Multi-Objective Molecular Generation [25.82864719790724]
構造的制約を満足しながら複数の目的特性を最適化することは、3次元分子発見の大きな課題である。本稿では,事前学習した拡散モデルの生成力を生かした新しい3次元分子多目的進化アルゴリズムを提案する。本手法は,拡散モデルの前方処理で定義される雑音空間におけるクロスオーバー操作を行い,親の特徴や所望のフラグメントを子孫に融合させる。
論文参考訳（メタデータ） (2025-05-16T09:32:40Z)
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)
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)
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)
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)
Molecular Attributes Transfer from Non-Parallel Data [57.010952598634944]
分子最適化をスタイル伝達問題として定式化し、非並列データの2つのグループ間の内部差を自動的に学習できる新しい生成モデルを提案する。毒性修飾と合成性向上という2つの分子最適化タスクの実験により,本モデルがいくつかの最先端手法を著しく上回ることを示した。
論文参考訳（メタデータ） (2021-11-30T06:10:22Z)

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。