論文の概要: Diffusion Models at the Drug Discovery Frontier: A Review on Generating Small Molecules versus Therapeutic Peptides

• arxiv url: http://arxiv.org/abs/2511.00209v1
• Date: Fri, 31 Oct 2025 19:11:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 16:37:26.673345
• Title: Diffusion Models at the Drug Discovery Frontier: A Review on Generating Small Molecules versus Therapeutic Peptides
• Title（参考訳）: 薬物発見フロンティアにおける拡散モデル:小分子と治療ペプチドの生成に関するレビュー
• Authors: Yiquan Wang, Yahui Ma, Yuhan Chang, Jiayao Yan, Jialin Zhang, Minnuo Cai, Kai Wei,
• Abstract要約: 拡散モデルは、生成モデリングにおける主要なフレームワークとして現れている。 本総説は, 小分子と治療ペプチドの2つの主要な治療モダリティを設計する上で, それらの応用を体系的に比較したものである。 我々は、これらのモダリティ固有のギャップを埋めて、それらを自動でクローズドループなデザイン-ビルド-テスト-ラーンプラットフォームに統合することで、拡散モデルの完全な可能性を解き放つと結論付けた。
• 参考スコア（独自算出の注目度）: 6.436002724512122
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Diffusion models have emerged as a leading framework in generative modeling, showing significant potential to accelerate and transform the traditionally slow and costly process of drug discovery. This review provides a systematic comparison of their application in designing two principal therapeutic modalities: small molecules and therapeutic peptides. We analyze how a unified framework of iterative denoising is adapted to the distinct molecular representations, chemical spaces, and design objectives of each modality. For small molecules, these models excel at structure-based design, generating novel, pocket-fitting ligands with desired physicochemical properties, yet face the critical hurdle of ensuring chemical synthesizability. Conversely, for therapeutic peptides, the focus shifts to generating functional sequences and designing de novo structures, where the primary challenges are achieving biological stability against proteolysis, ensuring proper folding, and minimizing immunogenicity. Despite these distinct challenges, both domains face shared hurdles: the need for more accurate scoring functions, the scarcity of high-quality experimental data, and the crucial requirement for experimental validation. We conclude that the full potential of diffusion models will be unlocked by bridging these modality-specific gaps and integrating them into automated, closed-loop Design-Build-Test-Learn (DBTL) platforms, thereby shifting the paradigm from chemical exploration to the targeted creation of novel therapeutics.
• Abstract（参考訳）: 拡散モデルは生成モデルの主要な枠組みとして現れており、伝統的に遅くてコストがかかる薬物発見のプロセスを加速し、変革する大きな可能性を示している。 本総説は, 小分子と治療ペプチドの2つの主要な治療モダリティを設計する上で, それらの応用を体系的に比較したものである。 本研究は, 分子表現, 化学空間, 設計目的に対して, 反復的認知の統一的枠組みがどのように適合しているかを解析する。 小さな分子の場合、これらのモデルは構造に基づく設計において優れており、化学合成性を確保するための重要なハードルに直面している。 逆に、治療ペプチドの場合、焦点は機能配列の生成とデノボ構造の設計に移行し、主な課題は、プロテオリシスに対する生物学的安定性、適切な折りたたみの確保、免疫原性の最小化である。 これらの異なる課題にもかかわらず、両方のドメインは共通のハードルに直面している。より正確なスコアリング機能の必要性、高品質の実験データの不足、実験検証の必須要件である。 我々は,これらのモダリティ特異的ギャップを埋めて,自動閉ループ設計-ビルド-テスト-ラーン (DBTL) プラットフォームに統合することにより,拡散モデルの可能性を完全に解き放たれると結論付けた。

関連論文リスト

• Uncertainty-Aware Multi-Objective Reinforcement Learning-Guided Diffusion Models for 3D De Novo Molecular Design [0.8749675983608171]
  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。
  論文  参考訳（メタデータ） (2025-10-24T04:49:23Z)
• 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)
• AUTODIFF: Autoregressive Diffusion Modeling for Structure-based Drug Design [16.946648071157618]
  構造に基づく薬物設計のための拡散型フラグメントワイド自己回帰生成モデル(SBDD)を提案する。 我々はまず,分子の局所構造の整合性を保持する共形モチーフという新しい分子組立戦略を設計する。 次に、タンパク質-リガンド複合体とSE(3)等価な畳み込みネットワークとの相互作用をエンコードし、拡散モデルを用いて分子モチーフ・バイ・モチーフを生成する。
  論文  参考訳（メタデータ） (2024-04-02T14:44:02Z)
• 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)
• Retrieval-based Controllable Molecule Generation [63.44583084888342]
  制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。 我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。 提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
  論文  参考訳（メタデータ） (2022-08-23T17:01:16Z)
• The Synthesizability of Molecules Proposed by Generative Models [3.032184156362992]
  機能性分子の発見は高価で時間を要するプロセスである。 初期の薬物発見への関心が高まる技術のひとつに、デ・ノボの分子生成と最適化がある。 これらの手法は、多目的関数の最大化を目的とした新しい分子構造を示唆することができる。 しかし、これらのアプローチの実用性は、合成可能性の無知によって汚される。
  論文  参考訳（メタデータ） (2020-02-17T15:41:28Z)

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。