論文の概要: Unified all-atom molecule generation with neural fields

• arxiv url: http://arxiv.org/abs/2511.15906v1
• Date: Wed, 19 Nov 2025 22:18:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-21 17:08:52.38826
• Title: Unified all-atom molecule generation with neural fields
• Title（参考訳）: ニューラルネットワークを用いた全原子分子の統一生成
• Authors: Matthieu Kirchmeyer, Pedro O. Pinheiro, Emma Willett, Karolis Martinkus, Joseph Kleinhenz, Emily K. Makowski, Andrew M. Watkins, Vladimir Gligorijevic, Richard Bonneau, Saeed Saremi,
• Abstract要約: FuncBindはコンピュータビジョンに基づくフレームワークで、原子系全体にわたってターゲット条件付き全原子分子を生成する。 FuncBindは、小さな分子、大環状ペプチド、および抗体相補性決定領域ループの生成において、シリカ性能の競争力を達成する。
• 参考スコア（独自算出の注目度）: 13.768673166699458
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative models for structure-based drug design are often limited to a specific modality, restricting their broader applicability. To address this challenge, we introduce FuncBind, a framework based on computer vision to generate target-conditioned, all-atom molecules across atomic systems. FuncBind uses neural fields to represent molecules as continuous atomic densities and employs score-based generative models with modern architectures adapted from the computer vision literature. This modality-agnostic representation allows a single unified model to be trained on diverse atomic systems, from small to large molecules, and handle variable atom/residue counts, including non-canonical amino acids. FuncBind achieves competitive in silico performance in generating small molecules, macrocyclic peptides, and antibody complementarity-determining region loops, conditioned on target structures. FuncBind also generated in vitro novel antibody binders via de novo redesign of the complementarity-determining region H3 loop of two chosen co-crystal structures. As a final contribution, we introduce a new dataset and benchmark for structure-conditioned macrocyclic peptide generation. The code is available at https://github.com/prescient-design/funcbind.
• Abstract（参考訳）: 構造に基づく薬物設計のための生成モデルは、しばしば特定のモダリティに制限され、より広範な適用性を制限する。 この課題に対処するために、コンピュータビジョンに基づくフレームワークであるFuncBindを導入し、原子系全体にわたってターゲット条件付き全原子分子を生成する。 FuncBindは、分子を連続的な原子密度として表現するためにニューラルネットワークを使用し、コンピュータビジョンの文献から適応した現代的なアーキテクチャを持つスコアベースの生成モデルを採用している。 このモダリティに依存しない表現により、単一の統一モデルは、小さな分子から大きな分子まで多様な原子系で訓練され、非カノニカルアミノ酸を含む可変原子/残基数を扱うことができる。 FuncBindは、標的構造に条件付けられた小さな分子、大環状ペプチド、および抗体相補性決定領域ループの生成において、シリカ性能の競争力を達成する。 FuncBindはまた、2つの選択された共結晶構造の相補性決定領域H3ループの再設計を通じてin vitroで新規な抗体結合体を産生した。 最後の貢献として、構造条件のマクロ環状ペプチド生成のための新しいデータセットとベンチマークを導入する。 コードはhttps://github.com/prescient-design/funcbind.comで公開されている。

関連論文リスト

• Manipulating 3D Molecules in a Fixed-Dimensional E(3)-Equivariant Latent Space [28.37817038918011]
  本稿では,3次元分子の共有潜在空間をナビゲートすることで,フレキシブルなゼロショット分子操作法を提案する。 MolFLAEは、E(3)同変ニューラルネットワークを用いて3D分子を固定数の潜伏ノードに符号化する。 MolFLAEは、標準的な無条件の3D分子生成ベンチマーク上での競合性能を実現する。
  論文  参考訳（メタデータ） (2025-06-01T01:30:15Z)
• Molecule Generation for Target Protein Binding with Hierarchical Consistency Diffusion Model [17.885767456439215]
  Atom-Motif Consistency Diffusion Model (AMDiff)は、分子の原子レベルのビューとモチーフレベルのビューを統合する階層的な拡散アーキテクチャである。 既存のアプローチと比較して、AMDiffは様々なタンパク質ポケットに適合するように調整された分子の生成において、優れた妥当性と新規性を示す。
  論文  参考訳（メタデータ） (2025-03-02T17:54:30Z)
• Exploring Discrete Flow Matching for 3D De Novo Molecule Generation [0.0]
  フローマッチングは、最近提案されたジェネレーティブモデリングフレームワークで、様々なタスクにおいて印象的なパフォーマンスを実現している。 本稿では,既存の手法よりも学習可能なパラメータが少ない3D de novo設計における技術性能の状態を達成した,オープンソースのFlowMol-CTMCを提案する。
  論文  参考訳（メタデータ） (2024-11-25T18:27:39Z)
• Functional-Group-Based Diffusion for Pocket-Specific Molecule Generation and Elaboration [63.23362798102195]
  ポケット特異的分子生成とエラボレーションのための機能群に基づく拡散モデルD3FGを提案する。 D3FGは分子を、剛体として定義される官能基と質量点としてのリンカーの2つのカテゴリに分解する。 実験では, より現実的な3次元構造, タンパク質標的に対する競合親和性, 薬物特性の良好な分子を生成できる。
  論文  参考訳（メタデータ） (2023-05-30T06:41:20Z)
• DiffBP: Generative Diffusion of 3D Molecules for Target Protein Binding [51.970607704953096]
  従来の研究は通常、原子の要素タイプと3次元座標を1つずつ生成する自己回帰的な方法で原子を生成する。 現実世界の分子系では、分子全体の原子間の相互作用が大域的であり、原子間のエネルギー関数が結合する。 本研究では、標的タンパク質に基づく分子3次元構造の生成拡散モデルを構築し、非自己回帰的に全原子レベルで構築する。
  論文  参考訳（メタデータ） (2022-11-21T07:02:15Z)
• 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)
• Generating 3D Molecules Conditional on Receptor Binding Sites with Deep Generative Models [0.0]
  本稿では,受容体結合部位に条件付き3次元分子構造を生成する深層学習システムについて述べる。 生成原子密度から有効な分子配座を構築するために原子フィッティング法と結合推論法を適用した。 この研究は、ディープラーニングによるタンパク質構造からの安定な生物活性分子のエンドツーエンド予測の扉を開く。
  論文  参考訳（メタデータ） (2021-10-28T15:17:24Z)
• Generating 3D Molecular Structures Conditional on a Receptor Binding Site with Deep Generative Models [0.0]
  本稿では,3次元分子結合ポケット上に条件付き3次元構造を生成可能な深部生成モデルについて初めて述べる。 基準種子の構造によって定義される変分潜在空間から、有効かつ特異な分子を容易にサンプリングできることが示される。
  論文  参考訳（メタデータ） (2020-10-16T16:27:47Z)

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。