論文の概要: SculptDrug : A Spatial Condition-Aware Bayesian Flow Model for Structure-based Drug Design

• arxiv url: http://arxiv.org/abs/2511.12489v1
• Date: Sun, 16 Nov 2025 07:53:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.198185
• Title: SculptDrug : A Spatial Condition-Aware Bayesian Flow Model for Structure-based Drug Design
• Title（参考訳）: SculptDrug : 構造に基づく医薬品設計のための空間条件を考慮したベイズ流モデル
• Authors: Qingsong Zhong, Haomin Yu, Yan Lin, Wangmeng Shen, Long Zeng, Jilin Hu,
• Abstract要約: ベイジアンフローネットワーク(BFN)に基づく空間条件対応生成モデルであるSculptDrugを提案する。 まず、SculptDrugはBFNベースのフレームワークに従い、空間的モデリングの忠実性を確保するためにプログレッシブなデノベーション戦略を採用している。 第2に、生成過程にタンパク質表面の制約を組み込んだ境界認識ブロックを導入し、生成したタンパク質がターゲットタンパク質と幾何学的に互換性があることを保証する。
• 参考スコア（独自算出の注目度）: 7.384151129466556
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Structure-Based drug design (SBDD) has emerged as a popular approach in drug discovery, leveraging three-dimensional protein structures to generate drug ligands. However, existing generative models encounter several key challenges: (1) incorporating boundary condition constraints, (2) integrating hierarchical structural conditions, and (3) ensuring spatial modeling fidelity. To address these limitations, we propose SculptDrug, a spatial condition-aware generative model based on Bayesian flow networks (BFNs). First, SculptDrug follows a BFN-based framework and employs a progressive denoising strategy to ensure spatial modeling fidelity, iteratively refining atom positions while enhancing local interactions for precise spatial alignment. Second, we introduce a Boundary Awareness Block that incorporates protein surface constraints into the generative process to ensure that generated ligands are geometrically compatible with the target protein. Third, we design a Hierarchical Encoder that captures global structural context while preserving fine-grained molecular interactions, ensuring overall consistency and accurate ligand-protein conformations. We evaluate SculptDrug on the CrossDocked dataset, and experimental results demonstrate that SculptDrug outperforms state-of-the-art baselines, highlighting the effectiveness of spatial condition-aware modeling.
• Abstract（参考訳）: 構造に基づく薬物設計(SBDD)は、薬物発見における一般的なアプローチとして現れ、三次元タンパク質構造を利用して薬物リガンドを生成する。 しかし,既存の生成モデルは,(1)境界条件制約の組込み,(2)階層構造条件の統合,(3)空間的モデリング忠実性の確保など,いくつかの重要な課題に直面している。 これらの制約に対処するため,ベイズフローネットワーク(BFN)に基づく空間条件対応生成モデルであるSculptDrugを提案する。 第一に、SculptDrugはBFNベースのフレームワークを踏襲し、空間的モデリング忠実性を確保するために進歩的なデノナイジング戦略を採用し、正確な空間的アライメントのための局所的相互作用を強化しながら、原子位置を反復的に精製する。 第2に、生成過程にタンパク質表面の制約を組み込んだ境界認識ブロックを導入し、生成したリガンドがターゲットタンパク質と幾何学的に互換性があることを保証する。 第三に、分子間相互作用の微細化を保ちながら、グローバルな構造コンテキストを捉える階層エンコーダを設計し、全体的な一貫性と正確なリガンドタンパク質のコンフォーメーションを確保する。 我々は、CrossDockedデータセット上でSculptDrugを評価し、実験結果により、SculptDrugが最先端のベースラインを上回り、空間条件認識モデリングの有効性を強調した。

関連論文リスト

• Controllable 3D Molecular Generation for Structure-Based Drug Design Through Bayesian Flow Networks and Gradient Integration [5.015770995532226]
  近年のSBDD(Structure-based Drug Design)は、3次元分子生成のための生成モデルを活用している。 高結合親和性, 合成実現可能性, 選択性, 従来評価では無視されていた臨界特性について検討した。 本稿では,ベイジアンフローネットワークを勾配に基づく条件付き生成モデルに拡張する新しいフレームワークCByGを提案する。
  論文  参考訳（メタデータ） (2025-08-29T09:49:15Z)
• HierRelTriple: Guiding Indoor Layout Generation with Hierarchical Relationship Triplet Losses [52.70183252341687]
  本稿では,空間的関係学習に着目した階層型三重項に基づく屋内関係学習手法HierRelTripleを提案する。 階層型リレーショナル三重項モデリングフレームワークであるHierRelTripleを導入する。 非条件レイアウト合成、フロアプラン条件付きレイアウト生成、シーン再構成の実験により、HierRelは空間関係のメトリクスを15%以上改善することを示した。
  論文  参考訳（メタデータ） (2025-03-26T07:31:52Z)
• 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)
• JADE: Joint-aware Latent Diffusion for 3D Human Generative Modeling [62.77347895550087]
  JADEは人体形状の変化を微粒化制御で学習する生成フレームワークである。 私たちの重要な洞察は、人体を骨格構造に分解する共同認識の潜伏表現です。 提案した分解条件下でのコヒーレントで可塑性な人体形状を生成するため,カスケードパイプラインも提案する。
  論文  参考訳（メタデータ） (2024-12-29T14:18:35Z)
• 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)
• Diffusion-Driven Generative Framework for Molecular Conformation Prediction [0.66567375919026]
  機械学習の急速な進歩は、この文脈における予測モデリングの精度に革命をもたらした。 本研究は,最先端な生成手法を提案する。 メソッドは原子を独立した実体とみなし、拡散の逆転を導くのに優れている。
  論文  参考訳（メタデータ） (2023-12-22T11:49:39Z)
• ReshapeIT: Reliable Shape Interaction with Implicit Template for Anatomical Structure Reconstruction [59.971808117043366]
  ReShapeITは、同じカテゴリ内で共有される暗黙のテンプレートフィールドを持つ解剖学的構造を表す。 これにより、インスタンス形状とテンプレート形状との対応性の制約を強化することにより、暗黙テンプレートフィールドが有効なテンプレートを生成する。 テンプレートインタラクションモジュールは、有効なテンプレートシェイプとインスタンスワイドの潜在コードとを相互作用することで、目に見えないシェイプを再構築するために導入される。
  論文  参考訳（メタデータ） (2023-12-11T07:09:32Z)
• Geometric Deep Learning for Structure-Based Drug Design: A Survey [83.87489798671155]
  構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。 近年の幾何学的深層学習の進歩は、3次元幾何学的データを効果的に統合・処理し、この分野を前進させてきた。
  論文  参考訳（メタデータ） (2023-06-20T14:21:58Z)

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。