論文の概要: FlexiFlow: decomposable flow matching for generation of flexible molecular ensemble

• arxiv url: http://arxiv.org/abs/2511.17249v1
• Date: Fri, 21 Nov 2025 13:50:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-24 18:08:19.047381
• Title: FlexiFlow: decomposable flow matching for generation of flexible molecular ensemble
• Title（参考訳）: FlexiFlow:フレキシブル分子アンサンブル生成のための分解可能なフローマッチング
• Authors: Riccardo Tedoldi, Ola Engkvist, Patrick Bryant, Hossein Azizpour, Jon Paul Janet, Alessandro Tibo,
• Abstract要約: FlexiFlowはフローマッチングモデルを拡張する新しいアーキテクチャです。 本稿では,QM9およびGEOM Drugsデータセットに対するアプローチの有効性を示す。
• 参考スコア（独自算出の注目度）: 43.16267651837197
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sampling useful three-dimensional molecular structures along with their most favorable conformations is a key challenge in drug discovery. Current state-of-the-art 3D de-novo design flow matching or diffusion-based models are limited to generating a single conformation. However, the conformational landscape of a molecule determines its observable properties and how tightly it is able to bind to a given protein target. By generating a representative set of low-energy conformers, we can more directly assess these properties and potentially improve the ability to generate molecules with desired thermodynamic observables. Towards this aim, we propose FlexiFlow, a novel architecture that extends flow-matching models, allowing for the joint sampling of molecules along with multiple conformations while preserving both equivariance and permutation invariance. We demonstrate the effectiveness of our approach on the QM9 and GEOM Drugs datasets, achieving state-of-the-art results in molecular generation tasks. Our results show that FlexiFlow can generate valid, unstrained, unique, and novel molecules with high fidelity to the training data distribution, while also capturing the conformational diversity of molecules. Moreover, we show that our model can generate conformational ensembles that provide similar coverage to state-of-the-art physics-based methods at a fraction of the inference time. Finally, FlexiFlow can be successfully transferred to the protein-conditioned ligand generation task, even when the dataset contains only static pockets without accompanying conformations.
• Abstract（参考訳）: 有用な3次元分子構造と最も好ましい配座をサンプリングすることは、薬物発見の鍵となる課題である。 現在の最先端の3Dデノボ設計フローマッチングや拡散ベースモデルは、単一のコンフォーメーションを生成するために限られている。 しかし、分子のコンフォメーション・ランドスケープは、その観測可能な性質と、それが与えられたタンパク質標的にどれだけ強く結合できるかを決定づける。 低エネルギーコンバータの代表的な集合を生成することで、これらの特性をより直接的に評価し、熱力学オブザーバブルを希望する分子を生成する能力を向上させることができる。 そこで本研究では,フローマッチングモデルを拡張した新しいアーキテクチャであるFlexiFlowを提案する。 分子生成タスクにおいて,QM9およびGEOM薬品データセットに対するアプローチの有効性を示す。 以上の結果から,FlexiFlowはトレーニングデータ分布に忠実で,かつ分子のコンフォメーションの多様性を把握しつつ,有効で非拘束的で独特な新規な分子を生成できることが示唆された。 さらに,本モデルでは,提案手法に類似したコンフォメーションアンサンブルを,推論時間の一部で生成可能であることを示す。 最後に、データセットがコンフォーメーションを伴わない静的ポケットのみを含む場合でも、FlexiFlowは、タンパク質条件のリガンド生成タスクにうまく転送できる。

関連論文リスト

• Energy-Based Flow Matching for Generating 3D Molecular Structure [7.055961224018033]
  我々は、構造生成モデルのトレーニングと推論を改善するため、フローマッチングに焦点をあて、エネルギーベースの視点を採用する。 私たちのビューでは、ランダムな構成をテキストで初期化して学習するマッピング関数が得られます。 タンパク質ドッキングとタンパク質のバックボーン生成の実験は、この方法の有効性を一貫して示している。
  論文  参考訳（メタデータ） (2025-08-26T11:42:57Z)
• 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)
• FlowMol3: Flow Matching for 3D De Novo Small-Molecule Generation [0.0]
  FlowMol3はオープンソースのマルチモーダルフローマッチングモデルで、全原子、小分子生成のための最先端技術である。 本研究は,拡散型および流動型分子生成モデルの安定性と品質を向上させるための,単純かつ伝達可能な戦略を強調した。
  論文  参考訳（メタデータ） (2025-08-18T05:13:27Z)
• Torsional-GFN: a conditional conformation generator for small molecules [75.91029322687771]
  ボルツマン分布に比例して分子の配座をサンプリングするために特別に設計された条件付きGFlowNetを導入する。 我々の研究は、提案したアプローチをより大きな分子系に拡張するための有望な道を示す。
  論文  参考訳（メタデータ） (2025-07-15T21:53:25Z)
• 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)
• Conditional Synthesis of 3D Molecules with Time Correction Sampler [58.0834973489875]
  Time-Aware Conditional Synthesis (TACS) は拡散モデルにおける条件生成の新しい手法である。 適応的に制御されたプラグアンドプレイの"オンライン"ガイダンスを拡散モデルに統合し、サンプルを所望の特性に向けて駆動する。
  論文  参考訳（メタデータ） (2024-11-01T12:59:25Z)
• Mixed Continuous and Categorical Flow Matching for 3D De Novo Molecule Generation [0.0]
  フローマッチングは拡散モデルを一般化する最近提案された生成モデリングフレームワークである。 本稿では,フローマッチングフレームワークを,確率単純性として知られるカテゴリデータの連続的な表現に制約のあるフローを構築することにより,カテゴリデータに拡張する。 実際には、データのカテゴリ的な性質に配慮しないシンプルなアプローチは、同等あるいは優れたパフォーマンスをもたらすことが分かっています。
  論文  参考訳（メタデータ） (2024-04-30T17:37:21Z)
• Molecule Design by Latent Space Energy-Based Modeling and Gradual Distribution Shifting [53.44684898432997]
  化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。 本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。 本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
  論文  参考訳（メタデータ） (2023-06-09T03:04:21Z)
• MUDiff: Unified Diffusion for Complete Molecule Generation [104.7021929437504]
  本稿では,原子の特徴,2次元離散分子構造,および3次元連続分子座標を含む分子の包括的表現を生成する新しいモデルを提案する。 拡散過程を認知するための新しいグラフトランスフォーマーアーキテクチャを提案する。 我々のモデルは、安定で多様な分子を設計するための有望なアプローチであり、分子モデリングの幅広いタスクに適用できる。
  論文  参考訳（メタデータ） (2023-04-28T04:25:57Z)
• Learning Neural Generative Dynamics for Molecular Conformation Generation [89.03173504444415]
  分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。 分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-02-20T03:17:58Z)

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。