論文の概要: MolSculpt: Sculpting 3D Molecular Geometries from Chemical Syntax

• arxiv url: http://arxiv.org/abs/2512.10991v1
• Date: Tue, 09 Dec 2025 06:48:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-15 15:48:11.50734
• Title: MolSculpt: Sculpting 3D Molecular Geometries from Chemical Syntax
• Title（参考訳）: MolSculpt:ケミカルシンタクスから3次元分子ジオメトリーを抽出する
• Authors: Zhanpeng Chen, Weihao Gao, Shunyu Wang, Yanan Zhu, Hong Meng, Yuexian Zou,
• Abstract要約: MolSculpt(モルスカルプ)は化学構文から3次元分子ジオメトリーを「抽出」するフレームワークである。 実験により,MollSculptはテクスタイドノボ3D分子生成および条件付き3D分子生成において,最先端(SOTA)性能を達成することが示された。
• 参考スコア（独自算出の注目度）: 44.892382469903275
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Generating precise 3D molecular geometries is crucial for drug discovery and material science. While prior efforts leverage 1D representations like SELFIES to ensure molecular validity, they fail to fully exploit the rich chemical knowledge entangled within 1D models, leading to a disconnect between 1D syntactic generation and 3D geometric realization. To bridge this gap, we propose MolSculpt, a novel framework that "sculpts" 3D molecular geometries from chemical syntax. MolSculpt is built upon a frozen 1D molecular foundation model and a 3D molecular diffusion model. We introduce a set of learnable queries to extract inherent chemical knowledge from the foundation model, and a trainable projector then injects this cross-modal information into the conditioning space of the diffusion model to guide the 3D geometry generation. In this way, our model deeply integrates 1D latent chemical knowledge into the 3D generation process through end-to-end optimization. Experiments demonstrate that MolSculpt achieves state-of-the-art (SOTA) performance in \textit{de novo} 3D molecule generation and conditional 3D molecule generation, showing superior 3D fidelity and stability on both the GEOM-DRUGS and QM9 datasets. Code is available at https://github.com/SakuraTroyChen/MolSculpt.
• Abstract（参考訳）: 正確な3次元分子ジオメトリーの生成は、薬物発見と物質科学にとって不可欠である。 以前の試みでは、SELFIESのような1D表現を利用して分子の妥当性を確保するが、1Dモデルに絡み合った豊富な化学知識を十分に活用できず、1Dの構文生成と3Dの幾何学的実現の間に断絶する結果となった。 このギャップを埋めるために,化学構文から3次元分子ジオメトリーを「観察」する新しいフレームワークであるMolSculptを提案する。 MolSculptは凍結した1次元分子基盤モデルと3次元分子拡散モデルに基づいて構築されている。 基礎モデルから固有の化学知識を抽出するための学習可能なクエリセットを導入し、訓練可能なプロジェクタが拡散モデルの条件空間にこのクロスモーダル情報を注入して3次元幾何学生成を導く。 このようにして、我々のモデルはエンドツーエンドの最適化を通じて1次元潜在化学知識を3次元生成プロセスに深く統合する。 MolSculptは, GEOM-DRUGSデータセットとQM9データセットの両方において, 3D分子生成と条件付き3D分子生成において, 最先端のSOTA(State-of-the-art)性能を達成することを示した。 コードはhttps://github.com/SakuraTroyChen/MolSculpt.comで入手できる。

関連論文リスト

• NExT-Mol: 3D Diffusion Meets 1D Language Modeling for 3D Molecule Generation [72.22099363325145]
  NExT-Mol: 3D Diffusion Meets 1D Language Modeling for 3D Molecule Generationを提案する。 NExT-Molは1D分子生成のために広範囲に事前訓練された分子LMを使用し、その後、生成された分子の3Dコンホメータを予測する。 我々は,NExT-Molの性能を向上させるために,LMのモデルサイズをスケールアップし,拡散ニューラルアーキテクチャを改良し,三次元トランスファー学習に1Dを適用した。
  論文  参考訳（メタデータ） (2025-02-18T08:40:13Z)
• 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)
• An Equivariant Generative Framework for Molecular Graph-Structure Co-Design [54.92529253182004]
  分子グラフ構造アンダーラインCo設計のための機械学習ベースの生成フレームワークであるMollCodeを提案する。 MolCodeでは、3D幾何情報によって分子2Dグラフの生成が促進され、それによって分子3D構造の予測が導かれる。 分子設計における2次元トポロジーと3次元幾何は本質的に相補的な情報を含んでいることが明らかとなった。
  論文  参考訳（メタデータ） (2023-04-12T13:34:22Z)
• Geometry-Complete Diffusion for 3D Molecule Generation and Optimization [3.8366697175402225]
  3次元分子生成のための幾何-完全拡散モデル(GCDM)を導入する。 GCDMは、既存の3次元分子拡散モデルよりも条件および非条件設定間で大きなマージンで優れている。 また、GCDMの幾何学的特徴は、既存の3次元分子の幾何学的および化学組成を一貫して最適化するために再利用可能であることも示している。
  論文  参考訳（メタデータ） (2023-02-08T20:01:51Z)

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。