論文の概要: Multi-objective fluorescent molecule design with a data-physics dual-driven generative framework

• arxiv url: http://arxiv.org/abs/2601.13564v1
• Date: Tue, 20 Jan 2026 03:41:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:23.142043
• Title: Multi-objective fluorescent molecule design with a data-physics dual-driven generative framework
• Title（参考訳）: データ物理二重駆動型生成機構を用いた多目的蛍光分子の設計
• Authors: Yanheng Li, Zhichen Pu, Lijiang Yang, Zehao Zhou, Yi Qin Gao,
• Abstract要約: LUMOSは、蛍光分子の逆設計のためのデータおよび物理駆動のフレームワークである。 ニューラルネットワークと高速時間依存密度汎関数理論(TD-DFT)計算ワークフローを組み合わせる。 蛍光特性予測の精度、一般化可能性、物理的妥当性の点で、ベースラインモデルより一貫して優れている。
• 参考スコア（独自算出の注目度）: 3.6156383910724927
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Designing fluorescent small molecules with tailored optical and physicochemical properties requires navigating vast, underexplored chemical space while satisfying multiple objectives and constraints. Conventional generate-score-screen approaches become impractical under such realistic design specifications, owing to their low search efficiency, unreliable generalizability of machine-learning prediction, and the prohibitive cost of quantum chemical calculation. Here we present LUMOS, a data-and-physics driven framework for inverse design of fluorescent molecules. LUMOS couples generator and predictor within a shared latent representation, enabling direct specification-to-molecule design and efficient exploration. Moreover, LUMOS combines neural networks with a fast time-dependent density functional theory (TD-DFT) calculation workflow to build a suite of complementary predictors spanning different trade-offs in speed, accuracy, and generalizability, enabling reliable property prediction across diverse scenarios. Finally, LUMOS employs a property-guided diffusion model integrated with multi-objective evolutionary algorithms, enabling de novo design and molecular optimization under multiple objectives and constraints. Across comprehensive benchmarks, LUMOS consistently outperforms baseline models in terms of accuracy, generalizability and physical plausibility for fluorescence property prediction, and demonstrates superior performance in multi-objective scaffold- and fragment-level molecular optimization. Further validation using TD-DFT and molecular dynamics (MD) simulations demonstrates that LUMOS can generate valid fluorophores that meet various target specifications. Overall, these results establish LUMOS as a data-physics dual-driven framework for general fluorophore inverse design.
• Abstract（参考訳）: 光学的および物理化学的特性を調整した蛍光小分子を設計するには、様々な目的や制約を満たすとともに、広大な未探索の化学空間をナビゲートする必要がある。 従来の生成スコアスクリーンアプローチは、探索効率の低さ、機械学習予測の信頼性の低い一般化性、量子化学計算の禁止コストなどにより、そのような現実的な設計仕様の下では実用的ではない。 ここでは、蛍光分子の逆設計のためのデータと物理駆動のフレームワークであるLUMOSを紹介する。 LUMOSは、共有潜在表現内にジェネレータと予測器を結合し、直接仕様から分子への設計と効率的な探索を可能にする。 さらに、LUMOSはニューラルネットワークと高速時間依存密度汎関数理論(TD-DFT)計算ワークフローを組み合わせることで、速度、精度、一般化性の異なるトレードオフにまたがる相補的予測器のスイートを構築し、さまざまなシナリオで信頼性の高いプロパティ予測を可能にする。 最後に、LUMOSは多目的進化アルゴリズムと統合された特性誘導拡散モデルを採用し、複数の目的と制約の下でデ・ノボの設計と分子最適化を可能にする。 総合的なベンチマークでは、LUMOSは蛍光特性予測の精度、一般化可能性、物理的妥当性の点でベースラインモデルより一貫して優れており、多目的スキャフォールドおよびフラグメントレベルの分子最適化において優れた性能を示す。 TD-DFTと分子動力学(MD)シミュレーションを用いたさらなる検証は、LUMOSが様々な目標仕様を満たす有効な蛍光フッ化物を生成することを実証している。 これらの結果からLUMOSは一般のフルオロフォア逆設計のためのデータ物理二重駆動型フレームワークとして確立された。

関連論文リスト

• Leveraging Discrete Function Decomposability for Scientific Design [48.365465744654365]
  AI駆動の科学とエンジニアリングの時代、私たちはしばしば、ユーザが指定したプロパティに従って、サイリコでオブジェクトを設計したいと考えています。 例えば、ターゲットを結合するタンパク質を設計したり、遅延を最小限にするために回路内のコンポーネントを配置したり、特定の特性を持つ材料を見つけたりしたいかもしれません。 本稿では,新しい分散最適化アルゴリズムであるDADO(De-Aware Distributional Optimization)を提案する。
  論文  参考訳（メタデータ） (2025-11-04T21:57:51Z)
• Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
  MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。 我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
  論文  参考訳（メタデータ） (2025-10-20T17:56:01Z)
• VALID-Mol: a Systematic Framework for Validated LLM-Assisted Molecular Design [0.0]
  VALID-Molは、化学検証とLCM駆動分子設計を統合する包括的なフレームワークである。 本手法は, 組織的迅速最適化, 自動化学検証, ドメイン適応微調整を合成し, 合成可能な分子の生成を確実にする。
  論文  参考訳（メタデータ） (2025-06-29T17:17:04Z)
• DiffMS: Diffusion Generation of Molecules Conditioned on Mass Spectra [60.39311767532607]
  本稿では,DiffMSを提案する。DiffMS,式制限付きエンコーダ・デコーダ生成ネットワークは,このタスクにおける最先端性能を実現する。 遅延埋め込みと分子構造をブリッジするロバストデコーダを開発するために,フィンガー構造対による拡散デコーダの事前訓練を行う。 確立されたベンチマーク実験により、DiffMSはデノボ分子生成における既存のモデル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） (2025-02-13T18:29:48Z)
• Text-Guided Multi-Property Molecular Optimization with a Diffusion Language Model [20.250683535089617]
  変換器を用いた拡散言語モデル(TransDLM)を用いたテキスト誘導多目的分子最適化手法を提案する。 物理的、化学的に詳細なセマンティクスを特異的な分子表現と融合することにより、TransDLMは様々な情報ソースを効果的に統合し、正確な最適化を導く。
  論文  参考訳（メタデータ） (2024-10-17T14:30:27Z)
• Cross-Modal Learning for Chemistry Property Prediction: Large Language Models Meet Graph Machine Learning [0.0]
  グラフニューラルネットワーク(GNN)の分析能力と大規模言語モデル(LLM)の言語生成・予測能力を利用する多モード融合(MMF)フレームワークを提案する。 本フレームワークは,グラフ構造化データのモデリングにおけるGNNの有効性とLLMのゼロショットおよび少数ショット学習能力を組み合わせることにより,オーバーフィッティングのリスクを低減し,予測の改善を実現する。
  論文  参考訳（メタデータ） (2024-08-27T11:10:39Z)
• 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)
• Efficient Evolutionary Search Over Chemical Space with Large Language Models [31.31899988523534]
  最適化の目的は区別できない。 化学対応大規模言語モデル(LLM)を進化的アルゴリズムに導入する。 我々のアルゴリズムは最終解の質と収束速度の両方を改善する。
  論文  参考訳（メタデータ） (2024-06-23T06:22:49Z)
• The Role of Reference Points in Machine-Learned Atomistic Simulation Models [0.0]
  化学環境モデリング理論(CEMT)は、従来の原子中心機械学習力場(MLFF)モデルに固有の制約を克服するために設計されている。 FE-DFT計算による空間分解エネルギー密度と電荷密度の活用を可能にする。
  論文  参考訳（メタデータ） (2023-10-28T01:02:14Z)
• Multi-task learning for electronic structure to predict and explore molecular potential energy surfaces [39.228041052681526]
  我々はOrbNetモデルを洗練し、分子のエネルギー、力、その他の応答特性を正確に予測する。 このモデルは、すべての電子構造項に対する解析的勾配の導出により、エンドツーエンドで微分可能である。 ドメイン固有の特徴を用いることにより、化学空間をまたいで移動可能であることが示されている。
  論文  参考訳（メタデータ） (2020-11-05T06:48:46Z)

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。