論文の概要: Molecular Representations in Implicit Functional Space via Hyper-Networks

• arxiv url: http://arxiv.org/abs/2601.22327v1
• Date: Thu, 29 Jan 2026 21:13:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.070912
• Title: Molecular Representations in Implicit Functional Space via Hyper-Networks
• Title（参考訳）: ハイパーネットワークによるインシシシト機能空間の分子表現
• Authors: Zehong Wang, Xiaolong Han, Qi Yang, Xiangru Tang, Fang Wu, Xiaoguang Guo, Weixiang Sun, Tianyi Ma, Pietro Lio, Le Cong, Sheng Wang, Chuxu Zhang, Yanfang Ye,
• Abstract要約: 分子学習は関数空間における学習として定式化することができる。 分子場上の分布を学習するハイパーネットワークベースのフレームワークであるMollFieldを用いて、この定式化をインスタンス化する。 分子を連続関数として扱うことは、分子表現がタスク全体にわたって一般化する方法を根本的に変えることを示す。
• 参考スコア（独自算出の注目度）: 53.70982267248536
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Molecular representations fundamentally shape how machine learning systems reason about molecular structure and physical properties. Most existing approaches adopt a discrete pipeline: molecules are encoded as sequences, graphs, or point clouds, mapped to fixed-dimensional embeddings, and then used for task-specific prediction. This paradigm treats molecules as discrete objects, despite their intrinsically continuous and field-like physical nature. We argue that molecular learning can instead be formulated as learning in function space. Specifically, we model each molecule as a continuous function over three-dimensional (3D) space and treat this molecular field as the primary object of representation. From this perspective, conventional molecular representations arise as particular sampling schemes of an underlying continuous object. We instantiate this formulation with MolField, a hyper-network-based framework that learns distributions over molecular fields. To ensure physical consistency, these functions are defined over canonicalized coordinates, yielding invariance to global SE(3) transformations. To enable learning directly over functions, we introduce a structured weight tokenization and train a sequence-based hyper-network to model a shared prior over molecular fields. We evaluate MolField on molecular dynamics and property prediction. Our results show that treating molecules as continuous functions fundamentally changes how molecular representations generalize across tasks and yields downstream behavior that is stable to how molecules are discretized or queried.
• Abstract（参考訳）: 分子表現は、機械学習システムが分子構造と物理的性質についてどのように考えるかを根本的に形作る。 分子はシーケンス、グラフ、ポイントクラウドとしてエンコードされ、固定次元の埋め込みにマッピングされ、タスク固有の予測に使用される。 このパラダイムは、分子を本質的に連続的で場のような物理的性質にもかかわらず、離散的な対象として扱う。 分子学習は関数空間における学習として定式化することができる。 具体的には、各分子を3次元空間上の連続関数としてモデル化し、この分子場を表現の主対象として扱う。 この観点から、従来の分子表現は、基礎となる連続物体の特定のサンプリングスキームとして生じる。 分子場上の分布を学習するハイパーネットワークベースのフレームワークであるMollFieldを用いて、この定式化をインスタンス化する。 物理的整合性を確保するために、これらの関数は正準座標上で定義され、大域SE(3)変換に不変性をもたらす。 関数上で直接学習できるように、構造化された重み付きトークン化を導入し、配列ベースのハイパーネットワークをトレーニングし、分子場上で共有される事前の共有をモデル化する。 分子動力学および特性予測におけるMollFieldの評価を行った。 分子を連続関数として扱うことは、分子表現がタスク全体にわたって一般化する方法を根本的に変え、分子の識別やクエリの方法に安定した下流の挙動をもたらすことを示す。

関連論文リスト

• Swallowing the Bitter Pill: Simplified Scalable Conformer Generation [12.341835649897886]
  分子コンホメータを簡易な定式化により予測する新しい手法を提案する。 構造学習を根本的に単純化し、モデルサイズのスケールアップを簡単にできます。 このモデルは、分子コンフォーマー場(MCF)と呼ばれ、コンフォーマー構造を分子グラフから空間内の3D位置に直接マッピングする関数としてパラメータ化することで機能する。
  論文  参考訳（メタデータ） (2023-11-27T22:53:41Z)
• MUDiff: Unified Diffusion for Complete Molecule Generation [104.7021929437504]
  本稿では,原子の特徴,2次元離散分子構造,および3次元連続分子座標を含む分子の包括的表現を生成する新しいモデルを提案する。 拡散過程を認知するための新しいグラフトランスフォーマーアーキテクチャを提案する。 我々のモデルは、安定で多様な分子を設計するための有望なアプローチであり、分子モデリングの幅広いタスクに適用できる。
  論文  参考訳（メタデータ） (2023-04-28T04:25:57Z)
• DiffBP: Generative Diffusion of 3D Molecules for Target Protein Binding [51.970607704953096]
  従来の研究は通常、原子の要素タイプと3次元座標を1つずつ生成する自己回帰的な方法で原子を生成する。 現実世界の分子系では、分子全体の原子間の相互作用が大域的であり、原子間のエネルギー関数が結合する。 本研究では、標的タンパク質に基づく分子3次元構造の生成拡散モデルを構築し、非自己回帰的に全原子レベルで構築する。
  論文  参考訳（メタデータ） (2022-11-21T07:02:15Z)
• Learning a Continuous Representation of 3D Molecular Structures with Deep Generative Models [0.0]
  生成モデルは、連続的な潜伏空間における分子の表現と最適化を学ぶ全く異なるアプローチである。 原子密度格子を用いた三次元分子構造の深部生成モデルについて述べる。 また、与えられた入力化合物に基づいて多様な分子の集合をサンプリングすることで、有効な薬物様分子の創出の可能性を高めることができる。
  論文  参考訳（メタデータ） (2020-10-17T01:15:47Z)

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。