論文の概要: Symbolic Neural Generation with Applications to Lead Discovery in Drug Design

• arxiv url: http://arxiv.org/abs/2510.23379v1
• Date: Mon, 27 Oct 2025 14:29:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:15.572
• Title: Symbolic Neural Generation with Applications to Lead Discovery in Drug Design
• Title（参考訳）: シンボリックニューラルジェネレーションと医薬品設計におけるリードディスカバリへの応用
• Authors: Ashwin Srinivasan, A Baskar, Tirtharaj Dash, Michael Bain, Sanjay Kumar Dey, Mainak Banerjee,
• Abstract要約: 本稿では,記号学習とニューラル推論を組み合わせたハイブリッド型ニューロシンボリックモデルについて検討する。 textitSymbolic Neural Generators (SNGs)では、シンボリック学習者が少数のインスタンスから実行可能なデータの論理的仕様を検証している。 Inductive Logic Programming (ILP) の制限形式と大規模言語モデル (LLM) を組み合わせたSNGを実装し, 初期薬物設計で評価する。
• 参考スコア（独自算出の注目度）: 1.3534513856953387
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We investigate a relatively underexplored class of hybrid neurosymbolic models integrating symbolic learning with neural reasoning to construct data generators meeting formal correctness criteria. In \textit{Symbolic Neural Generators} (SNGs), symbolic learners examine logical specifications of feasible data from a small set of instances -- sometimes just one. Each specification in turn constrains the conditional information supplied to a neural-based generator, which rejects any instance violating the symbolic specification. Like other neurosymbolic approaches, SNG exploits the complementary strengths of symbolic and neural methods. The outcome of an SNG is a triple $(H, X, W)$, where $H$ is a symbolic description of feasible instances constructed from data, $X$ a set of generated new instances that satisfy the description, and $W$ an associated weight. We introduce a semantics for such systems, based on the construction of appropriate \textit{base} and \textit{fibre} partially-ordered sets combined into an overall partial order, and outline a probabilistic extension relevant to practical applications. In this extension, SNGs result from searching over a weighted partial ordering. We implement an SNG combining a restricted form of Inductive Logic Programming (ILP) with a large language model (LLM) and evaluate it on early-stage drug design. Our main interest is the description and the set of potential inhibitor molecules generated by the SNG. On benchmark problems -- where drug targets are well understood -- SNG performance is statistically comparable to state-of-the-art methods. On exploratory problems with poorly understood targets, generated molecules exhibit binding affinities on par with leading clinical candidates. Experts further find the symbolic specifications useful as preliminary filters, with several generated molecules identified as viable for synthesis and wet-lab testing.
• Abstract（参考訳）: 本稿では,記号学習とニューラル推論を組み合わせたハイブリッド型ニューロシンボリックモデルを用いて,形式的正当性基準を満たすデータジェネレータの構築を行う。 シンボリック学習者は、textit{Symbolic Neural Generators} (SNGs) において、小さなインスタンスの集合から実行可能なデータの論理的仕様を検証している。 それぞれの仕様は、ニューラルベースジェネレータに供給される条件情報を制約し、シンボリック仕様に違反するインスタンスを拒絶する。 他のニューロシンボリックアプローチと同様に、SNGはシンボリックメソッドとニューラルメソッドの相補的な強度を利用する。 SNGの結果はトリプル$(H, X, W)$であり、$H$はデータから構築された実行可能なインスタンスのシンボル記述であり、$X$は記述を満足する生成された新しいインスタンスのセットであり、$W$は関連する重みである。 本稿では、適切な \textit{base} と \textit{fibre} の部分順序集合を全体部分順序に結合した構成に基づいて、そのようなシステムに対する意味論を導入し、実用的な応用に関連する確率的拡張を概説する。 この拡張では、SNGは重み付き部分順序探索の結果である。 Inductive Logic Programming (ILP) の制限形式と大規模言語モデル (LLM) を組み合わせたSNGを実装し, 初期薬物設計で評価する。 我々の主な関心は、SNGが生成する潜在的な阻害剤分子の説明とセットである。 薬物標的がよく理解されているベンチマーク問題では、SNGのパフォーマンスは最先端の手法に統計的に匹敵する。 目的がよく理解されていない探索的な問題では、生成分子は主要な臨床候補と同等に結合親和性を示す。 専門家はさらに、いくつかの生成分子が合成およびウェットラブ試験に有効であると同定された、予備フィルターとして有用な記号仕様を見出した。

関連論文リスト

• Logic of Hypotheses: from Zero to Full Knowledge in Neurosymbolic Integration [46.43084711486819]
  ニューロシンボリック統合(NeSy)は、ニューラルネットワーク学習とシンボリック推論をブレンドする。 本稿では,データ駆動型ルール学習を記号的先行と専門知識で統一する新言語LoHについて紹介する。
  論文  参考訳（メタデータ） (2025-09-25T22:31:43Z)
• GENERator: A Long-Context Generative Genomic Foundation Model [66.46537421135996]
  本稿では,98k塩基対 (bp) と1.2Bパラメータからなるゲノム基盤モデル GENERator を提案する。 DNAの386Bbpからなる拡張データセットに基づいて、GENERatorは、確立されたベンチマークと新しく提案されたベンチマークの両方で最先端のパフォーマンスを実証する。 また、特に特定のアクティビティプロファイルを持つエンハンサーシーケンスを即応的に生成することで、シーケンス最適化において大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2025-02-11T05:39:49Z)
• Computational-Statistical Gaps in Gaussian Single-Index Models [77.1473134227844]
  単次元モデル(Single-Index Models)は、植木構造における高次元回帰問題である。 我々は,統計的クエリ (SQ) と低遅延多項式 (LDP) フレームワークの両方において,計算効率のよいアルゴリズムが必ずしも$Omega(dkstar/2)$サンプルを必要とすることを示した。
  論文  参考訳（メタデータ） (2024-03-08T18:50:19Z)
• The Role of Foundation Models in Neuro-Symbolic Learning and Reasoning [54.56905063752427]
  Neuro-Symbolic AI(NeSy)は、AIシステムの安全なデプロイを保証することを約束している。 ニューラルネットワークとシンボリックコンポーネントを順次トレーニングする既存のパイプラインは、広範なラベリングを必要とする。 新しいアーキテクチャであるNeSyGPTは、生データから象徴的特徴を抽出する視覚言語基盤モデルを微調整する。
  論文  参考訳（メタデータ） (2024-02-02T20:33:14Z)
• Integrating Symbolic Reasoning into Neural Generative Models for Design Generation [10.97301490742749]
  設計生成には、ニューラルネットワークとシンボリック推論の緊密な統合が必要である。 本稿では,デザイン生成のための空間共振統合発電機(SPRing)について紹介する。 SPRingは、ディープジェネレーションネットワーク内に、ニューラルで象徴的な統合空間推論モジュールを組み込む。
  論文  参考訳（メタデータ） (2023-10-13T20:03:22Z)
• Controllable Neural Symbolic Regression [10.128755371375572]
  記号回帰では、数学的記号の最小使用量で実験データに適合する解析式を見つけることが目的である。 仮説付きニューラルシンボリック回帰(NSRwH)と呼ばれる新しいニューラルシンボリック回帰法を提案する。 実験により,提案した条件付き深層学習モデルは,精度で非条件付き学習モデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-04-20T14:20:48Z)
• Neural-Symbolic Recursive Machine for Systematic Generalization [113.22455566135757]
  我々は、基底記号システム(GSS)のコアとなるニューラル・シンボリック再帰機械(NSR)を紹介する。 NSRは神経知覚、構文解析、意味推論を統合している。 我々はNSRの有効性を,系統的一般化能力の探索を目的とした4つの挑戦的ベンチマークで評価した。
  論文  参考訳（メタデータ） (2022-10-04T13:27:38Z)
• SLASH: Embracing Probabilistic Circuits into Neural Answer Set Programming [15.814914345000574]
  SLASH(Deep Probabilistic Language:DPPL)を紹介します。 SLASHのコアとなるのは、NPP(Neural-Probabilistic Predicates)と、応答セットプログラミングを通じて統合された論理プログラムである。 我々は,MNIST加算のベンチマークデータとDPPLの欠落データ予測や最先端性能のセット予測といった新しいタスクに基づいてSLASHを評価する。
  論文  参考訳（メタデータ） (2021-10-07T12:35:55Z)
• Sinkhorn Natural Gradient for Generative Models [125.89871274202439]
  本研究では,シンクホーンの発散による確率空間上の最も急降下法として機能するシンクホーン自然勾配(SiNG)アルゴリズムを提案する。 本稿では,SiNG の主要成分であるシンクホーン情報行列 (SIM) が明示的な表現を持ち,対数的スケールの複雑さを正確に評価できることを示す。 本実験では,SiNGと最先端のSGD型解法を定量的に比較し,その有効性と有効性を示す。
  論文  参考訳（メタデータ） (2020-11-09T02:51:17Z)

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。