論文の概要: Interpreting GFlowNets for Drug Discovery: Extracting Actionable Insights for Medicinal Chemistry

• arxiv url: http://arxiv.org/abs/2511.19264v1
• Date: Mon, 24 Nov 2025 16:16:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-25 18:34:25.304256
• Title: Interpreting GFlowNets for Drug Discovery: Extracting Actionable Insights for Medicinal Chemistry
• Title（参考訳）: 薬物発見のためのGFlowNetsの解釈:医薬化学のための実行可能な洞察を抽出する
• Authors: Amirtha Varshini A S, Duminda S. Ranasinghe, Hok Hei Tam,
• Abstract要約: Generative Flow Networks(GFlowNets)は分子設計のための有望なフレームワークを提供するが、内部決定方針は不透明である。 本稿では, 文書化化学反応と購入可能な開始材料に基づくGFlowNetであるSynFlowNetの解釈可能性フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative Flow Networks, or GFlowNets, offer a promising framework for molecular design, but their internal decision policies remain opaque. This limits adoption in drug discovery, where chemists require clear and interpretable rationales for proposed structures. We present an interpretability framework for SynFlowNet, a GFlowNet trained on documented chemical reactions and purchasable starting materials that generates both molecules and the synthetic routes that produce them. Our approach integrates three complementary components. Gradient based saliency combined with counterfactual perturbations identifies which atomic environments influence reward and how structural edits change molecular outcomes. Sparse autoencoders reveal axis aligned latent factors that correspond to physicochemical properties such as polarity, lipophilicity, and molecular size. Motif probes show that functional groups including aromatic rings and halogens are explicitly encoded and linearly decodable from the internal embeddings. Together, these results expose the chemical logic inside SynFlowNet and provide actionable and mechanistic insight that supports transparent and controllable molecular design.
• Abstract（参考訳）: Generative Flow Networks(GFlowNets)は分子設計のための有望なフレームワークを提供するが、内部決定方針は不透明である。 これにより、化学者が提案された構造に対して明確かつ解釈可能な合理的性を必要とする薬物発見が制限される。 本稿では, 文書化化学反応を訓練したGFlowNetと, 生成する分子と合成経路の両方を生成可能な出発材料であるSynFlowNetの解釈可能性フレームワークを提案する。 このアプローチは3つの相補的なコンポーネントを統合します。 勾配に基づく塩分と反事実的摂動を組み合わせることで、どの原子環境が報酬に影響を及ぼし、構造的編集が分子結果をどのように変化させるかを特定する。 スパースオートエンコーダは、極性、リポフィリティー、分子サイズなどの物理化学的性質に対応する軸方向の潜伏因子を明らかにする。 モティフプローブは、芳香族環やハロゲンを含む官能基が、内部の埋め込みから明示的にエンコードされ、線形にデオード可能であることを示している。 これらの結果は、SynFlowNet内の化学ロジックを公開し、透明で制御可能な分子設計をサポートする実用的な、機械的な洞察を提供する。

関連論文リスト

• Functional Groups are All you Need for Chemically Interpretable Molecular Property Prediction [0.0]
  本研究は、化学におけるFG(Functional Groups)の概念を用いて分子表現を開発することを提案する。 分子の基本的な化学構造に基づいて分子をコードする新しい手法であるFGR(Functional Group Representation)フレームワークを紹介する。 我々は、FGRフレームワークが33種類のベンチマークデータセットに対して最先端のパフォーマンスを達成することを実証した。
  論文  参考訳（メタデータ） (2025-09-11T17:01:31Z)
• DiffMS: Diffusion Generation of Molecules Conditioned on Mass Spectra [60.39311767532607]
  本稿では,DiffMSを提案する。DiffMS,式制限付きエンコーダ・デコーダ生成ネットワークは,このタスクにおける最先端性能を実現する。 遅延埋め込みと分子構造をブリッジするロバストデコーダを開発するために,フィンガー構造対による拡散デコーダの事前訓練を行う。 確立されたベンチマーク実験により、DiffMSはデノボ分子生成における既存の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） (2025-02-13T18:29:48Z)
• GraphXForm: Graph transformer for computer-aided molecular design [73.1842164721868]
  既存の化合物を事前訓練したデコーダのみのグラフトランスフォーマアーキテクチャであるGraphXFormを提案する。 種々の薬物設計タスクで評価し、最先端の分子設計手法と比較して優れた客観的スコアを示す。
  論文  参考訳（メタデータ） (2024-11-03T19:45:15Z)
• FARM: Functional Group-Aware Representations for Small Molecules [55.281754551202326]
  小型分子のための機能的グループ認識表現(FARM)について紹介する。 FARMはSMILES、自然言語、分子グラフのギャップを埋めるために設計された新しいモデルである。 我々は、13のタスクのうち11のタスクで最先端のパフォーマンスを達成するMoleculeNetデータセット上で、FARMを評価した。
  論文  参考訳（メタデータ） (2024-10-02T23:04:58Z)
• SynFlowNet: Design of Diverse and Novel Molecules with Synthesis Constraints [16.21161274235011]
  反応空間が化学反応と精製可能な反応物質を用いて新しい分子を逐次生成するGFlowNetモデルであるSynFlowNetを紹介する。 生成機構の明示的な制約としてフォワード合成を取り入れることで、シリコン分子生成と実世界の合成能力のギャップを埋めることを目指す。
  論文  参考訳（メタデータ） (2024-05-02T10:15:59Z)
• DecompDiff: Diffusion Models with Decomposed Priors for Structure-Based Drug Design [62.68420322996345]
  既存の構造に基づく薬物設計法は、すべての配位子原子を等しく扱う。 腕と足場を分解した新しい拡散モデルDecompDiffを提案する。 提案手法は,高親和性分子の生成における最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-02-26T05:21:21Z)
• Learning To Navigate The Synthetically Accessible Chemical Space Using Reinforcement Learning [75.95376096628135]
  ド・ノボ薬物設計のための強化学習(RL)を利用した新しい前方合成フレームワークを提案する。 このセットアップでは、エージェントは巨大な合成可能な化学空間をナビゲートする。 本研究は,合成可能な化学空間を根本的に拡張する上で,エンド・ツー・エンド・トレーニングが重要なパラダイムであることを示す。
  論文  参考訳（メタデータ） (2020-04-26T21:40:03Z)

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。