論文の概要: MolGuidance: Advanced Guidance Strategies for Conditional Molecular Generation with Flow Matching

• arxiv url: http://arxiv.org/abs/2512.12198v1
• Date: Sat, 13 Dec 2025 06:05:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-16 17:54:56.154831
• Title: MolGuidance: Advanced Guidance Strategies for Conditional Molecular Generation with Flow Matching
• Title（参考訳）: MolGuidance:フローマッチングを用いた条件付き分子生成のための高度なガイダンス戦略
• Authors: Jirui Jin, Cheng Zeng, Pawan Prakash, Ellad B. Tadmor, Adrian Roitberg, Richard G. Hennig, Stefano Martiniani, Mingjie Liu,
• Abstract要約: 条件分子生成の主な目的は、化学的妥当性の確保、生成分子と目的特性の整合、発見のための効率的なサンプリングを可能にすることである。 コンピュータビジョンの最近の進歩は、生成モデルのための様々な新しいガイダンス戦略を導入した。 我々は,SE(3)-同変フローマッチングプロセス上に構築された先行分子生成フレームワークに最先端のガイダンス手法を統合する。
• 参考スコア（独自算出の注目度）: 6.649784863468093
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Key objectives in conditional molecular generation include ensuring chemical validity, aligning generated molecules with target properties, promoting structural diversity, and enabling efficient sampling for discovery. Recent advances in computer vision introduced a range of new guidance strategies for generative models, many of which can be adapted to support these goals. In this work, we integrate state-of-the-art guidance methods -- including classifier-free guidance, autoguidance, and model guidance -- in a leading molecule generation framework built on an SE(3)-equivariant flow matching process. We propose a hybrid guidance strategy that separately guides continuous and discrete molecular modalities -- operating on velocity fields and predicted logits, respectively -- while jointly optimizing their guidance scales via Bayesian optimization. Our implementation, benchmarked on the QM9 and QMe14S datasets, achieves new state-of-the-art performance in property alignment for de novo molecular generation. The generated molecules also exhibit high structural validity. Furthermore, we systematically compare the strengths and limitations of various guidance methods, offering insights into their broader applicability.
• Abstract（参考訳）: 条件分子生成の主な目的は、化学的妥当性の確保、生成分子を標的特性に整列させ、構造的多様性を促進し、発見のための効率的なサンプリングを可能にすることである。 コンピュータビジョンの最近の進歩は、生成モデルのための様々な新しいガイダンス戦略を導入し、その多くがこれらの目標に適応することができる。 本研究は,SE(3)-同変フローマッチングプロセス上に構築された主分子生成フレームワークに,分類器不要誘導,自己誘導,モデル誘導を含む最先端誘導手法を統合する。 本研究では,それぞれ速度場と予測ロジットで動作し,ベイズ最適化による誘導スケールを共同最適化しながら,連続的および離散的分子モーダルティーを別々に誘導するハイブリッド誘導戦略を提案する。 我々の実装はQM9およびQMe14Sデータセットをベンチマークし、デノボ分子生成のための特性アライメントにおける新しい最先端性能を実現する。 生成した分子は高い構造的妥当性を示す。 さらに,様々な指導手法の長所と短所を体系的に比較し,適用性に関する知見を提供する。

関連論文リスト

• MolPIF: A Parameter Interpolation Flow Model for Molecule Generation [9.122719535880355]
  本稿では,理論基礎,トレーニング,推論手順を詳細に記述した補間フローモデル(PIF)を提案する。 次に、構造に基づく薬物設計のためのMolPIFを開発し、ベースラインと比較して様々な指標で優れた性能を示す。 本研究では,パラメータ空間に基づく分子生成モデルの有効性を検証し,モデル設計の新しい視点を提供する。
  論文  参考訳（メタデータ） (2025-07-18T09:15:35Z)
• 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)
• TAGMol: Target-Aware Gradient-guided Molecule Generation [19.977071499171903]
  3次元生成モデルは、構造ベースドラッグデザイン(SBDD)において大きな可能性を秘めている。 問題を分子生成と特性予測に分離する。 後者は相乗的に拡散サンプリング過程を導出し、誘導拡散を促進し、所望の性質を持つ有意義な分子を創出する。 この誘導分子生成過程をTAGMolと呼ぶ。
  論文  参考訳（メタデータ） (2024-06-03T14:43:54Z)
• DecompOpt: Controllable and Decomposed Diffusion Models for Structure-based Molecular Optimization [49.85944390503957]
  DecompOptは、制御可能・拡散モデルに基づく構造に基づく分子最適化手法である。 DecompOptは強いde novoベースラインよりも優れた特性を持つ分子を効率よく生成できることを示す。
  論文  参考訳（メタデータ） (2024-03-07T02:53:40Z)
• Sculpting Molecules in Text-3D Space: A Flexible Substructure Aware Framework for Text-Oriented Molecular Optimization [10.868749018881115]
  本稿では,多モードガイダンス最適化タスクとして定式化することで,逆設計問題に対処する革新的な手法を提案する。 提案手法は,分子最適化タスク,すなわち3DToMoloの実装のためのテクスチャ構造アライメント対称拡散フレームワークを含む。 3DToMoloは、テキスト記述特徴やグラフ構造特徴などの多彩なモダリティを調和させることを目的としており、この分野の専門家による特定の対称構造とテクスチュラル制約に従う分子構造をシームレスに生成することを目的としている。
  論文  参考訳（メタデータ） (2024-03-06T03:15:25Z)
• Retrieval-based Controllable Molecule Generation [63.44583084888342]
  制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。 我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。 提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
  論文  参考訳（メタデータ） (2022-08-23T17:01:16Z)
• Molecular Attributes Transfer from Non-Parallel Data [57.010952598634944]
  分子最適化をスタイル伝達問題として定式化し、非並列データの2つのグループ間の内部差を自動的に学習できる新しい生成モデルを提案する。 毒性修飾と合成性向上という2つの分子最適化タスクの実験により,本モデルがいくつかの最先端手法を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2021-11-30T06:10:22Z)
• 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。