Fugu-MT 論文翻訳(概要): Interpreting GFlowNets for Drug Discovery: Extracting Actionable Insights for Medicinal Chemistry

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

Agentic reinforcement learning empowers next-generation chemical language models for molecular design and synthesis [51.83339196548892]
ChemCraftは、知識ストレージから化学推論を分離する新しいフレームワークである。 ChemCraftは最小の推論コストで優れたパフォーマンスを実現する。この研究は、AI支援化学のコスト効率とプライバシ保護のパラダイムを確立する。
論文参考訳（メタデータ） (2026-01-25T04:23:34Z)
ChemNavigator: Agentic AI Discovery of Design Rules for Organic Photocatalysts [0.0]
ChemNavigatorは、自律的に構造-プロパティ関係を導出するエージェントAIシステムである。ケムナビゲーターは、フロンティア軌道エネルギーを管理する6つの統計的に重要な設計規則を自律的に特定した。
論文参考訳（メタデータ） (2026-01-23T07:44:28Z)
Generating Cyclic Conformers with Flow Matching in Cremer-Pople Coordinates [0.3823356975862005]
循環分子は化学や生物学の分野で広く利用されている。本稿では,Cremer-Pople空間上でフローマッチングを行う生成機械学習モデルであるPuckerFlowを紹介する。提案手法により, 設計による有効な閉環の生成が可能となり, コンバータ生成における高い性能を示す。
論文参考訳（メタデータ） (2026-01-19T09:16:17Z)
How well can off-the-shelf LLMs elucidate molecular structures from mass spectra using chain-of-thought reasoning? [51.286853421822705]
大規模言語モデル (LLM) は推論集約的な科学的タスクを約束するが、化学的解釈の能力はまだ不明である。我々は、分子構造を予測するために、LLMが質量スペクトルデータに対してどのように理由を持つかを評価する、Chain-of-Thought(CoT)プロンプトフレームワークとベンチマークを導入する。 SMILESの妥当性, 式整合性, 構造的類似性の指標による評価の結果, LLMは合成学的に有効で, 部分的に可視な構造を生成できるが, 分子予測の正確性やリンク推論を達成できないことがわかった。
論文参考訳（メタデータ） (2026-01-09T20:08:42Z)
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)
Learning Hierarchical Interaction for Accurate Molecular Property Prediction [8.488251667425887]
Hierarchical Interaction Message Net (HimNet)は、ADMETプロファイルを予測するための新しいディープラーニングモデルである。 HimNetは、ほとんどの分子特性予測タスクにおいて、最高の、または最も近いパフォーマンスを達成する。 HimNetは、分子活性とADMET特性予測のための正確で効率的なソリューションであると考えています。
論文参考訳（メタデータ） (2025-04-28T15:19:28Z)
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。