論文の概要: M^4olGen: Multi-Agent, Multi-Stage Molecular Generation under Precise Multi-Property Constraints

• arxiv url: http://arxiv.org/abs/2601.10131v2
• Date: Fri, 16 Jan 2026 04:22:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-19 14:30:44.05478
• Title: M^4olGen: Multi-Agent, Multi-Stage Molecular Generation under Precise Multi-Property Constraints
• Title（参考訳）: M^4olGen: 精密なマルチプロパタイト制約下でのマルチエージェント・マルチステージ分子生成
• Authors: Yizhan Li, Florence Cloutier, Sifan Wu, Ali Parviz, Boris Knyazev, Yan Zhang, Glen Berseth, Bang Liu,
• Abstract要約: textbfM olGenは、多能性制約下での分子生成のためのフラグメントレベル、検索強化、2段階のフレームワークである。 フラグメントの推論チェーンと測定されたプロパティデルタを備えたデータセットは、両方のステージを基盤とします。 2組のプロパティ制約の下での生成実験は、多目的の妥当性と正確な満足度において一貫した利得を示す。
• 参考スコア（独自算出の注目度）: 35.83366265234892
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generating molecules that satisfy precise numeric constraints over multiple physicochemical properties is critical and challenging. Although large language models (LLMs) are expressive, they struggle with precise multi-objective control and numeric reasoning without external structure and feedback. We introduce \textbf{M olGen}, a fragment-level, retrieval-augmented, two-stage framework for molecule generation under multi-property constraints. Stage I : Prototype generation: a multi-agent reasoner performs retrieval-anchored, fragment-level edits to produce a candidate near the feasible region. Stage II : RL-based fine-grained optimization: a fragment-level optimizer trained with Group Relative Policy Optimization (GRPO) applies one- or multi-hop refinements to explicitly minimize the property errors toward our target while regulating edit complexity and deviation from the prototype. A large, automatically curated dataset with reasoning chains of fragment edits and measured property deltas underpins both stages, enabling deterministic, reproducible supervision and controllable multi-hop reasoning. Unlike prior work, our framework better reasons about molecules by leveraging fragments and supports controllable refinement toward numeric targets. Experiments on generation under two sets of property constraints (QED, LogP, Molecular Weight and HOMO, LUMO) show consistent gains in validity and precise satisfaction of multi-property targets, outperforming strong LLMs and graph-based algorithms.
• Abstract（参考訳）: 複数の物理化学的性質に対する正確な数値的制約を満たす分子の生成は、重要かつ困難である。 大きな言語モデル(LLM)は表現力があるが、外部構造やフィードバックを伴わない正確な多目的制御と数値推論に苦慮している。 多元性制約下での分子生成のためのフラグメントレベル、検索強化、2段階のフレームワークである \textbf{M olGen} を紹介する。 ステージI : プロトタイプ生成: 多エージェント推論器は検索アンコールされた断片レベルの編集を行い、実現可能な領域付近の候補を生成する。 ステージII : RLに基づくきめ細かい最適化:グループ相対政策最適化(GRPO)で訓練された断片レベル最適化器は、編集の複雑さとプロトタイプからの逸脱を規制しながら、目標に対するプロパティエラーを明示的に最小化するために、ワンホップまたはマルチホップの精細化を施す。 断片編集の推論チェーンと測定されたプロパティデルタが両方のステージを支え、決定論的かつ再現可能な監視と制御可能なマルチホップ推論を可能にする。 従来の研究とは異なり、我々のフレームワークはフラグメントを活用し、数値的対象に対する制御可能な改良をサポートすることで、分子に関するより良い理由を見出している。 2つの特性制約(QED, LogP, Molecular Weight, HOMO, LUMO)による生成実験では, 高いLLMとグラフベースのアルゴリズムよりも高い精度で, 多目的の妥当性と精度が向上した。

関連論文リスト

• MoRA: On-the-fly Molecule-aware Low-Rank Adaptation Framework for LLM-based Multi-Modal Molecular Assistant [23.60380089071549]
  そこで本研究では,各分子のインスタンス固有のパラメータ空間アライメント手法を提案する。 MoRAは入力分子グラフごとに一意に低ランク適応重みを生じる。 実験により、MoRAのインスタンス固有の動的適応は静的適応ベースラインよりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-10-14T07:54:43Z)
• Collaborative Expert LLMs Guided Multi-Objective Molecular Optimization [51.104444856052204]
  我々は,多目的分子最適化のための協調型大規模言語モデル(LLM)システムであるMultiMolを提案する。 6つの多目的最適化タスクに対する評価において、MultiMolは既存の手法を著しく上回り、82.30%の成功率を達成した。
  論文  参考訳（メタデータ） (2025-03-05T13:47:55Z)
• ChatMol: A Versatile Molecule Designer Based on the Numerically Enhanced Large Language Model [11.166536730901102]
  ゴール指向のデノボ分子設計は、薬物発見において重要な課題である。 そこで我々はChatMolを提案する。ChatMolは多種多様な制約設定における分子設計にLarge Language Modelsを活用する新しいアプローチである。 単一プロパティ、サブ構造プロパティ、マルチプロパティ制約タスクにわたる実験結果は、ChatMolが一貫して最先端のベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2025-02-27T06:05:45Z)
• Multi-Attribute Constraint Satisfaction via Language Model Rewriting [67.5778646504987]
  マルチ属性制約満足度(英: Multi-Attribute Constraint Satisfaction, MACS)は、言語モデルを微調整して、複数の外部実値属性に対するユーザ指定制約を満たす手法である。 我々の研究は、NLPやバイオインフォマティクスにまたがる多様な応用に影響を及ぼす、一般化および実値多属性制御のための新しい道を開く。
  論文  参考訳（メタデータ） (2024-12-26T12:36:39Z)
• Balancing property optimization and constraint satisfaction for constrained multi-property molecular optimization [13.665517935917048]
  複数の分子特性を同時に最適化するフレキシブルかつ効率的な手法である制約付きマルチプロパタイト分子最適化フレームワーク(CMOMO)を提案する。 実験の結果,5つの最先端分子最適化法よりもCMOMOの方が優れた性能を示した。
  論文  参考訳（メタデータ） (2024-11-19T02:01:13Z)
• Molecule Design by Latent Prompt Transformer [76.2112075557233]
  本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。 本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-27T03:33:23Z)
• MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [51.00815310242277]
  生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。 本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
  論文  参考訳（メタデータ） (2020-10-05T20:18:42Z)

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。