論文の概要: Toward Closed-loop Molecular Discovery via Language Model, Property Alignment and Strategic Search

• arxiv url: http://arxiv.org/abs/2512.09566v2
• Date: Thu, 18 Dec 2025 10:53:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-19 14:03:03.139313
• Title: Toward Closed-loop Molecular Discovery via Language Model, Property Alignment and Strategic Search
• Title（参考訳）: 言語モデル, 特性アライメント, 戦略探索による閉ループ分子探索に向けて
• Authors: Junkai Ji, Zhangfan Yang, Dong Xu, Ruibin Bai, Jianqiang Li, Tingjun Hou, Zexuan Zhu,
• Abstract要約: Trioはフラグメントベースの分子言語モデリング、強化学習、モンテカルロ木探索を統合した分子生成フレームワークである。 一般化、可塑性、解釈可能性を組み合わせることで、トリオは閉ループ生成パラダイムを確立し、どのように化学空間をナビゲートできるかを再定義する。
• 参考スコア（独自算出の注目度）: 25.97882905265352
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Drug discovery is a time-consuming and expensive process, with traditional high-throughput and docking-based virtual screening hampered by low success rates and limited scalability. Recent advances in generative modelling, including autoregressive, diffusion, and flow-based approaches, have enabled de novo ligand design beyond the limits of enumerative screening. Yet these models often suffer from inadequate generalization, limited interpretability, and an overemphasis on binding affinity at the expense of key pharmacological properties, thereby restricting their translational utility. Here we present Trio, a molecular generation framework integrating fragment-based molecular language modeling, reinforcement learning, and Monte Carlo tree search, for effective and interpretable closed-loop targeted molecular design. Through the three key components, Trio enables context-aware fragment assembly, enforces physicochemical and synthetic feasibility, and guides a balanced search between the exploration of novel chemotypes and the exploitation of promising intermediates within protein binding pockets. Experimental results show that Trio reliably achieves chemically valid and pharmacologically enhanced ligands, outperforming state-of-the-art approaches with improved binding affinity (+7.85%), drug-likeness (+11.10%) and synthetic accessibility (+12.05%), while expanding molecular diversity more than fourfold. By combining generalization, plausibility, and interpretability, Trio establishes a closed-loop generative paradigm that redefines how chemical space can be navigated, offering a transformative foundation for the next era of AI-driven drug discovery.
• Abstract（参考訳）: ドラッグ発見は時間と費用のかかるプロセスであり、従来のハイスループットとドッキングベースの仮想スクリーニングは成功率の低下とスケーラビリティの制限によって妨げられている。 自己回帰、拡散、フローベースアプローチなどの生成モデリングの最近の進歩は、列挙型スクリーニングの限界を超えたデ・ノボ・リガンド設計を可能にしている。 しかし、これらのモデルは、しばしば不適切な一般化、限定的な解釈可能性、重要な薬理学的性質を犠牲にして結合親和性に過度に悩まされ、それによって翻訳的効用が制限される。 本稿では, フラグメントに基づく分子言語モデリング, 強化学習, モンテカルロ木探索を統合した分子生成フレームワークTrioについて述べる。 これら3つの重要な構成要素を通じて、Trioはコンテキスト対応の断片化を可能にし、物理化学的および合成的実現性を強制し、新しい化学タイプの探索とタンパク質結合ポケット内の有望な中間体の利用の間のバランスの取れた探索を誘導する。 実験の結果、トリオは化学的に有効なリガンドと薬理学的に強化されたリガンドを確実に達成し、結合親和性(+7.85%)、薬物類似性(+11.10%)、合成アクセシビリティ(+12.05%)を改善しつつ、分子多様性を4倍以上に拡大する最先端のアプローチより優れていた。 一般化、可視性、解釈可能性を組み合わせることで、Trioはクローズドループ生成パラダイムを確立し、化学空間のナビゲート方法を再定義し、AI駆動型薬物発見の次の時代の変革的基盤を提供する。

関連論文リスト

• Diffusion Models at the Drug Discovery Frontier: A Review on Generating Small Molecules versus Therapeutic Peptides [6.436002724512122]
  拡散モデルは、生成モデリングにおける主要なフレームワークとして現れている。 本総説は, 小分子と治療ペプチドの2つの主要な治療モダリティを設計する上で, それらの応用を体系的に比較したものである。 我々は、これらのモダリティ固有のギャップを埋めて、それらを自動でクローズドループなデザイン-ビルド-テスト-ラーンプラットフォームに統合することで、拡散モデルの完全な可能性を解き放つと結論付けた。
  論文  参考訳（メタデータ） (2025-10-31T19:11:41Z)
• Concept-Driven Deep Learning for Enhanced Protein-Specific Molecular Generation [28.09898110053281]
  本稿では,特定のタンパク質に適したフラグメントベースの分子生成フレームワークを提案する。 本手法は, 創薬性および結合親和性を大幅に改善し, 薬物類似度は4%, 合成親和性は6%向上した。
  論文  参考訳（メタデータ） (2025-03-11T08:21:57Z)
• 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)
• 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)
• Aligning Target-Aware Molecule Diffusion Models with Exact Energy Optimization [147.7899503829411]
  AliDiffは、事前訓練されたターゲット拡散モデルと望ましい機能特性を整合させる新しいフレームワークである。 最先端の結合エネルギーを持つ分子を最大7.07 Avg. Vina Scoreで生成することができる。
  論文  参考訳（メタデータ） (2024-07-01T06:10:29Z)
• 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)
• A biologically-inspired evaluation of molecular generative machine learning [17.623886600638716]
  分子生成モデル評価のためのバイオインスパイアされた新しいベンチマークを提案する。 本稿では, 創出出力評価のための相補的手法として, レクリエーション指標, 薬物-標的親和性予測, 分子ドッキングを提案する。
  論文  参考訳（メタデータ） (2022-08-20T11:01:10Z)
• Improved Drug-target Interaction Prediction with Intermolecular Graph Transformer [98.8319016075089]
  本稿では,3方向トランスフォーマーアーキテクチャを用いて分子間情報をモデル化する手法を提案する。 分子間グラフ変換器(IGT)は、それぞれ、結合活性と結合ポーズ予測の2番目のベストに対して、最先端のアプローチを9.1%と20.5%で上回っている。 IGTはSARS-CoV-2に対して有望な薬物スクリーニング能力を示す。
  論文  参考訳（メタデータ） (2021-10-14T13:28:02Z)
• The Synthesizability of Molecules Proposed by Generative Models [3.032184156362992]
  機能性分子の発見は高価で時間を要するプロセスである。 初期の薬物発見への関心が高まる技術のひとつに、デ・ノボの分子生成と最適化がある。 これらの手法は、多目的関数の最大化を目的とした新しい分子構造を示唆することができる。 しかし、これらのアプローチの実用性は、合成可能性の無知によって汚される。
  論文  参考訳（メタデータ） (2020-02-17T15:41:28Z)

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。