論文の概要: Multi-Constrained Evolutionary Molecular Design Framework: An Interpretable Drug Design Method Combining Rule-Based Evolution and Molecular Crossover

• arxiv url: http://arxiv.org/abs/2601.10110v1
• Date: Thu, 15 Jan 2026 06:37:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-16 19:43:19.018265
• Title: Multi-Constrained Evolutionary Molecular Design Framework: An Interpretable Drug Design Method Combining Rule-Based Evolution and Molecular Crossover
• Title（参考訳）: 多制約進化分子設計フレームワーク:規則に基づく進化と分子交叉を組み合わせた解釈可能な医薬品設計手法
• Authors: Shanxian Lin, Wei Xia, Yuichi Nagata, Haichuan Yang,
• Abstract要約: MCEMOL (Multi-Constrained Evolutionary Molecular Design Framework) は、規則に基づく進化と分子クロスオーバーを統合する分子最適化手法である。 大規模なデータセットと広範なトレーニングを必要とするディープラーニングとは異なり、我々のアルゴリズムは計算オーバーヘッドの少ない最小の開始分子から効率的に進化する。 実験の結果、MCEMOLはその進化機構を通じて透明な設計経路を提供し、有効で多様な標的に適合する分子を生成することが示された。
• 参考スコア（独自算出の注目度）: 11.76474263237491
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study proposes MCEMOL (Multi-Constrained Evolutionary Molecular Design Framework), a molecular optimization approach integrating rule-based evolution with molecular crossover. MCEMOL employs dual-layer evolution: optimizing transformation rules at rule level while applying crossover and mutation to molecular structures. Unlike deep learning methods requiring large datasets and extensive training, our algorithm evolves efficiently from minimal starting molecules with low computational overhead. The framework incorporates message-passing neural networks and comprehensive chemical constraints, ensuring efficient and interpretable molecular design. Experimental results demonstrate that MCEMOL provides transparent design pathways through its evolutionary mechanism while generating valid, diverse, target-compliant molecules. The framework achieves 100% molecular validity with high structural diversity and excellent drug-likeness compliance, showing strong performance in symmetry constraints, pharmacophore optimization, and stereochemical integrity. Unlike black-box methods, MCEMOL delivers dual value: interpretable transformation rules researchers can understand and trust, alongside high-quality molecular libraries for practical applications. This establishes a paradigm where interpretable AI-driven drug design and effective molecular generation are achieved simultaneously, bridging the gap between computational innovation and practical drug discovery needs.
• Abstract（参考訳）: 本研究は、規則に基づく進化と分子交叉を統合する分子最適化手法であるMCEMOL(Multi-Constrained Evolutionary Molecular Design Framework)を提案する。 MCEMOLは、分子構造にクロスオーバーと突然変異を適用しながら、規則レベルで変換規則を最適化する二重層進化を用いる。 大規模なデータセットと広範なトレーニングを必要とするディープラーニングとは異なり、我々のアルゴリズムは計算オーバーヘッドの少ない最小の開始分子から効率的に進化する。 このフレームワークには、メッセージパッシングニューラルネットワークと包括的な化学制約が含まれており、効率的かつ解釈可能な分子設計が保証されている。 実験の結果、MCEMOLはその進化機構を通じて透明な設計経路を提供し、有効で多様な標的に適合する分子を生成することが示された。 このフレームワークは、高い構造的多様性と優れた薬物類似性コンプライアンスを持つ100%分子的妥当性を達成し、対称性の制約、薬局の最適化、立体化学的整合性の強い性能を示す。 解釈可能な変換規則は、研究者が理解し、信頼することができる。 これは、解釈可能なAI駆動の薬物設計と効果的な分子生成を同時に達成し、計算革新と実用的な薬物発見ニーズのギャップを埋めるパラダイムを確立する。

関連論文リスト

• $\text{M}^{2}$LLM: Multi-view Molecular Representation Learning with Large Language Models [59.125833618091846]
  分子構造ビュー,分子タスクビュー,分子規則ビューの3つの視点を統合した多視点フレームワークを提案する。 実験によると、$textM2$LLMは、分類タスクと回帰タスクをまたいだ複数のベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-08-12T05:46:47Z)
• 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)
• Many-Shot In-Context Learning for Molecular Inverse Design [56.65345962071059]
  大規模言語モデル(LLM)は、数ショットのインコンテキスト学習(ICL)において、優れたパフォーマンスを示している。 マルチショットICLで利用可能な実験データの不足を克服する,新しい半教師付き学習手法を開発した。 示すように、この新しい手法は、既存の分子設計のためのICL法を大幅に改善し、科学者にとってアクセスしやすく、使いやすくする。
  論文  参考訳（メタデータ） (2024-07-26T21:10:50Z)
• MolTC: Towards Molecular Relational Modeling In Language Models [28.960416816491392]
  分子間相互作用予測のための新しい枠組みとして,分子間相互作用予測法(分子間相互作用予測法)を提案する。 我々の実験は4000,000以上の分子対を含む様々なデータセットで実施され、現在のGNNおよびLLMベースラインよりも優れていることを示した。
  論文  参考訳（メタデータ） (2024-02-06T07:51:56Z)
• Advancing Drug Discovery with Enhanced Chemical Understanding via Asymmetric Contrastive Multimodal Learning [23.85388398199658]
  非対称コントラスト型マルチモーダルラーニング(ACML)を導入し,分子理解を高め,創薬の進歩を加速する。 ACMLは効果的な非対称コントラスト学習の力を利用して、様々な化学修飾物から分子グラフ表現への情報をシームレスに伝達する。 このフレームワークの有効性を,大規模な相互モダリティ検索と異性判別タスクによって実証する。
  論文  参考訳（メタデータ） (2023-11-11T01:58:45Z)
• Towards Predicting Equilibrium Distributions for Molecular Systems with Deep Learning [60.02391969049972]
  本稿では,分子系の平衡分布を予測するために,分散グラフマー(DiG)と呼ばれる新しいディープラーニングフレームワークを導入する。 DiGはディープニューラルネットワークを用いて分子系の記述子に条件付き平衡分布に単純な分布を変換する。
  論文  参考訳（メタデータ） (2023-06-08T17:12:08Z)
• Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
  分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。 近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。 本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-05-17T13:08:28Z)
• Molecular Design in Synthetically Accessible Chemical Space via Deep Reinforcement Learning [0.0]
  既存の生成法は、最適化中に分子特性の分布を好適にシフトできる能力に制限されていると論じる。 本稿では,分子設計のための新しい強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-29T16:29:28Z)

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。