論文の概要: Generating readily synthesizable small molecule fluorophore scaffolds with reinforcement learning

• arxiv url: http://arxiv.org/abs/2601.07145v1
• Date: Mon, 12 Jan 2026 02:31:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-13 19:08:01.183129
• Title: Generating readily synthesizable small molecule fluorophore scaffolds with reinforcement learning
• Title（参考訳）: 強化学習による合成が容易な小分子フルオロフォア足場の生成
• Authors: Ruhi Sayana, Kate Callon, Jennifer Xu, Jonathan Deutsch, Steven Chu, James Zou, John Janetzko, Rabindra V. Shivnaraine, Kyle Swanson,
• Abstract要約: 我々は、強化学習により容易に合成可能な蛍光分子の足場を生成する生成AIモデルであるSyntheFluor-RLを開発した。 フルオロフォアの生成を導くため、SyntheFluor-RLは複数のグラフニューラルネットワーク(GNN)上に構築されたスコアリング関数を用いて、重要な光物理特性を予測する。 我々は11,590個の候補分子を生成し、染料様の性質を持つと予測された19個の構造にフィルターした。
• 参考スコア（独自算出の注目度）: 17.564628719446343
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Developing new fluorophores for advanced imaging techniques requires exploring new chemical space. While generative AI approaches have shown promise in designing novel dye scaffolds, prior efforts often produced synthetically intractable candidates due to a lack of reaction constraints. Here, we developed SyntheFluor-RL, a generative AI model that employs known reaction libraries and molecular building blocks to create readily synthesizable fluorescent molecule scaffolds via reinforcement learning. To guide the generation of fluorophores, SyntheFluor-RL employs a scoring function built on multiple graph neural networks (GNNs) that predict key photophysical properties, including photoluminescence quantum yield, absorption, and emission wavelengths. These outputs are dynamically weighted and combined with a computed pi-conjugation score to prioritize candidates with desirable optical characteristics and synthetic feasibility. SyntheFluor-RL generated 11,590 candidate molecules, which were filtered to 19 structures predicted to possess dye-like properties. Of the 19 molecules, 14 were synthesized and 13 were experimentally confirmed. The top three were characterized, with the lead compound featuring a benzothiadiazole chromophore and exhibiting strong fluorescence (PLQY = 0.62), a large Stokes shift (97 nm), and a long excited-state lifetime (11.5 ns). These results demonstrate the effectiveness of SyntheFluor-RL in the identification of synthetically accessible fluorophores for further development.
• Abstract（参考訳）: 高度なイメージング技術のための新しい蛍光フッ化物の開発には、新しい化学空間の探索が必要である。 生成的AIアプローチは、新しい染料の足場を設計する上で有望であるが、以前の取り組みは、反応制約の欠如により、しばしば合成的に難解な候補を生み出した。 そこで我々は、既知の反応ライブラリと分子構築ブロックを用いて、強化学習により容易に合成可能な蛍光分子足場を生成する、生成AIモデルであるSyntheFluor-RLを開発した。 フルオロフォアの生成を導くため、SyntheFluor-RLは複数のグラフニューラルネットワーク(GNN)上に構築されたスコア関数を用いて、発光量子収率、吸収、発光波長を含む重要な光物性を予測する。 これらの出力は動的に重み付けされ、計算されたπ共役スコアと組み合わせて、望ましい光学特性と合成実現性を持つ候補を優先する。 SyntheFluor-RLは11,590個の候補分子を生成し、染料のような性質を持つと予測された19個の構造にフィルターした。 19分子のうち14分子が合成され、13分子が実験的に確認された。 トップ3はベンゾチアゾールクロマフォアを特徴とし、強い蛍光(PLQY = 0.62)、大きなストークスシフト(97nm)、長い励起状態の寿命(11.5 ns)を示す鉛化合物である。 以上の結果から,SyntheFluor-RLの合成可溶性フルオロフォアの同定に有効であることが示唆された。

関連論文リスト

• Rethinking Molecule Synthesizability with Chain-of-Reaction [47.744071119775676]
  合成可能な投影のための生成フレームワークであるReaSynを紹介する。 大規模言語モデル(LLM)における推論経路に類似した合成経路を考慮した新しい視点を提案する。 CoR表記により、ReaSynは化学反応規則を明示的に学習する全ての反応ステップにおいて、密集した監督を受けることができる。
  論文  参考訳（メタデータ） (2025-09-19T15:29:57Z)
• BatGPT-Chem: A Foundation Large Model For Retrosynthesis Prediction [65.93303145891628]
  BatGPT-Chemは150億のパラメータを持つ大規模な言語モデルであり、再合成予測の強化に最適化されている。 我々のモデルは幅広い化学知識を捉え、反応条件の正確な予測を可能にする。 この開発により、化学者は新しい化合物を十分に扱うことができ、医薬品製造と材料科学の革新サイクルを早める可能性がある。
  論文  参考訳（メタデータ） (2024-08-19T05:17:40Z)
• First-Principles Screening of Metal-Organic Frameworks for Entangled Photon Pair Generation [0.0]
  金属-有機フレームワーク(MOF)材料を用いた非線形光学デバイスは、自発的ダウンコンバージョン(SPDC)を介して、絡み合った光を効率よく生成することができる 光子対の明るさとコヒーレンス特性とMOFの構造と化学組成の相関関係を確立するために, 合成MOF114,373のデータベースをスクリーニングした。 我々の研究は、光学量子技術のためのMOFベースのデバイスの計算設計の道を開くものである。
  論文  参考訳（メタデータ） (2023-09-09T12:56:26Z)
• Bespoke Nanoparticle Synthesis and Chemical Knowledge Discovery Via Autonomous Experimentations [6.544041907979552]
  本稿では,光学特性を目標としたナノ粒子(NP)の設計のための自律的な実験プラットフォームについて報告する。 このプラットフォームは、AI最適化モデリングのフィードバックに基づいて、NPのバッチ合成モジュールとUV-Vis分光モジュールの間をクローズループで動作させる。 優れた材料開発効率に加えて、合成変数の解析により、Ag NP合成におけるクエン酸の効果を含む新しい化学が明らかにされる。
  論文  参考訳（メタデータ） (2023-09-01T09:15:04Z)
• AbDiffuser: Full-Atom Generation of in vitro Functioning Antibodies [44.149969082612486]
  AbDiffuserは、抗体3D構造と配列の同変および物理インフォームド拡散モデルである。 我々のアプローチは、ドメイン知識と物理に基づく制約を生かして、タンパク質の拡散を改善する。 数値実験では、AbDiffuserが参照集合の配列と構造を綿密に追跡する抗体を生成する能力を示している。
  論文  参考訳（メタデータ） (2023-07-28T11:57:44Z)
• Machine-Learning-Optimized Perovskite Nanoplatelet Synthesis [55.41644538483948]
  総合成量200のCsPbBr3ナノプレート(NPL)の品質向上のためのアルゴリズムを開発した。 このアルゴリズムは、前駆率に基づいて、NPL分散のPL放出最大値を予測することができる。
  論文  参考訳（メタデータ） (2022-10-18T11:54:11Z)
• Widely Used and Fast De Novo Drug Design by a Protein Sequence-Based Reinforcement Learning Model [4.815696666006742]
  構造に基づくde novo法は、薬物と標的の相互作用を深く生成するアーキテクチャに組み込むことによって、アクティブなデータ不足を克服することができる。 本稿では,医薬品発見のためのタンパク質配列に基づく拡張学習モデルについて紹介する。 概念実証として、RLモデルを用いて分子を4つのターゲットに設計した。
  論文  参考訳（メタデータ） (2022-08-14T10:41:52Z)
• Rapid Exploration of a 32.5M Compound Chemical Space with Active Learning to Discover Density Functional Approximation Insensitive and Synthetically Accessible Transitional Metal Chromophores [0.4063872661554894]
  機械学習(ML)による化学発見を加速する2つの課題は、候補分子や物質の合成可能性と、MLモデルトレーニングで使用されるデータの忠実性である。 最初の課題に対処するため, 32.5M遷移金属錯体 (TMCs) の仮定設計空間を構築し, すべてのフラグメントを合成的に利用した。 第2の課題に対処するために、Jacobのはしごの複数の領域にわたる23の関数密度近似の予測におけるコンセンサスを求める。
  論文  参考訳（メタデータ） (2022-08-10T16:55:33Z)
• Data-Driven Discovery of Molecular Photoswitches with Multioutput Gaussian Processes [51.17758371472664]
  フォトウィッチ可能な分子は、光によってアクセスされる2つ以上の異性体である。 本稿では、データセットキュレーションとマルチタスク学習を基盤とした、分子フォトウィッチのためのデータ駆動探索パイプラインを提案する。 提案手法は, 市販フォトウィッチ可能な分子のライブラリーをスクリーニングし, 実験的に検証した。
  論文  参考訳（メタデータ） (2020-06-28T20:59:03Z)
• 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。