論文の概要: EvoEGF-Mol: Evolving Exponential Geodesic Flow for Structure-based Drug Design

• arxiv url: http://arxiv.org/abs/2601.22466v1
• Date: Fri, 30 Jan 2026 02:26:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-02 18:28:15.163888
• Title: EvoEGF-Mol: Evolving Exponential Geodesic Flow for Structure-based Drug Design
• Title（参考訳）: EvoEGF-Mol:構造に基づく医薬品設計のための指数測地流の進化
• Abstract要約: 構造に基づく薬物設計における情報幾何学的アプローチを提案する。 EvoEGF-Molは静的ディラックターゲットを動的に集中分散に置き換える。 我々のモデルは、クロスドック上での基準レベル PoseBusters 通過率 (93.4%) にアプローチし、顕著な精度と相互作用の忠実さを示す。
• 参考スコア（独自算出の注目度）: 5.680996830009093
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Structure-Based Drug Design (SBDD) aims to discover bioactive ligands. Conventional approaches construct probability paths separately in Euclidean and probabilistic spaces for continuous atomic coordinates and discrete chemical categories, leading to a mismatch with the underlying statistical manifolds. We address this issue from an information-geometric perspective by modeling molecules as composite exponential-family distributions and defining generative flows along exponential geodesics under the Fisher-Rao metric. To avoid the instantaneous trajectory collapse induced by geodesics directly targeting Dirac distributions, we propose Evolving Exponential Geodesic Flow for SBDD (EvoEGF-Mol), which replaces static Dirac targets with dynamically concentrating distributions, ensuring stable training via a progressive-parameter-refinement architecture. Our model approaches a reference-level PoseBusters passing rate (93.4%) on CrossDock, demonstrating remarkable geometric precision and interaction fidelity, while outperforming baselines on real-world MolGenBench tasks by recovering bioactive scaffolds and generating candidates that meet established MedChem filters.
• Abstract（参考訳）: 構造ベースドラッグデザイン(SBDD)は、生物活性リガンドの発見を目的としている。 従来のアプローチでは、連続的な原子座標と離散的な化学圏に対してユークリッド空間と確率空間を分離して確率パスを構築し、基礎となる統計多様体とミスマッチする。 我々は、分子を複合指数族分布としてモデル化し、フィッシャー・ラオ計量の下で指数測地線に沿った生成フローを定義することにより、情報幾何学的観点からこの問題に対処する。 ディラック分布を直接対象とする測地線による即時的軌道崩壊を回避するため,静的ディラックターゲットを動的に集中分布に置き換え,プログレッシブパラメータ・リファインメントアーキテクチャによる安定したトレーニングを確実にする,SBDD(EvoEGF-Mol)のための指数測地線フローの進化を提案する。 本モデルでは, バイオアクティブな足場を復元し, 既存のMedChemフィルタに適合する候補を生成することで, 実世界のMoldGenBenchタスクのベースラインを上回りながら, 目覚しい幾何学的精度と相互作用の忠実さを示す。

関連論文リスト

• Data-Efficient and Interpretable Classification of Circulating Tumor Cell Phenotypes in Microfluidic Devices via Deep Learning [5.639853790073915]
  腫瘍細胞(CTC)の分類を循環するための,解釈可能かつ効率的なフレームワークを提案する。 Subsequenceは、学習中の情報的局所軌道セグメントをランダムに抽出し、局所的なパターンからの学習を促進するターゲット拡張戦略である。 より広範に、提案フレームワークはマイクロ流体幾何学を細胞力学特性の物理エンコーダとみなしている。
  論文  参考訳（メタデータ） (2026-08-17T17:51:49Z)
• Intrinsic-Hybrid Latent Diffusion Models for Generative Modeling on Unknown Manifolds [7.1936189117668725]
  Intrinsic Hybrid Latent Diffusion Model (ILDM) は、確率論的次元減少と未知多様体上の幾何学的拡散を統合した生成フレームワークである。 COIL-100、MNIST、心臓MRIデータセットの実験により、ILDMは生成品質を著しく改善することが示された。
  論文  参考訳（メタデータ） (2026-08-05T13:28:08Z)
• Towards Fast GNN Surrogates for CO2 Migration in Complex Geological Formations [58.079925240809644]
  本研究では, 地質ストレージにおけるCO$$$ibility plume マイグレーション予測に適したエンドツーエンドグラフニューラルネットワークサロゲートを提案する。 この方法は、CO$$ストレージシナリオを評価するために設計されたよく知られた業界テストケースであるSPE11Aベンチマークで評価される。 提案モデルでは, ガス飽和度と液相密度の競合予測を行い, 累積誤差は拡大予測地平線上では緩やかに保たれている。
  論文  参考訳（メタデータ） (2026-06-15T18:19:17Z)
• Topological Flow Matching [56.16372813551555]
  フローマッチングは強力な生成モデリングフレームワークであり、そのシンプルさと強力な経験的パフォーマンスに価値がある。 トポロジカルフローマッチング(トポロジカルフローマッチング)は,トポロジカルフローマッチングの一般化である。 脳のfMRI、海流、地震イベント、交通流など、さまざまな構造化されたデータセットに対して、その効果を実証する。
  論文  参考訳（メタデータ） (2026-06-14T16:29:33Z)
• FLAG: Foundation model representation with Latent diffusion Alignment via Graph for spatial gene expression prediction [21.300129464820984]
  現在のモデルは、遺伝子調整や空間分布といった重要な生物学的構造を見落としている。 我々は,このタスクを構造化分布モデルとして再定義する拡散ベースのフレームワークである textbfFLAG を紹介する。 実験の結果,FLAGは従来の精度で高い競争力を持つことがわかった。
  論文  参考訳（メタデータ） (2026-05-18T08:43:18Z)
• Align Your Structures: Generating Trajectories with Structure Pretraining for Molecular Dynamics [57.2871599860811]
  MD軌道生成のための構造事前学習を利用する新しいフレームワークを提案する。 提案手法は,MDトラジェクトリデータの不足を軽減するために,豊富な構造データを効果的に活用する。 実験結果から,本手法は化学的に現実的なMDトラジェクトリの生成に優れていることが確認された。
  論文  参考訳（メタデータ） (2026-04-05T00:37:28Z)
• GeodesicNVS: Probability Density Geodesic Flow Matching for Novel View Synthesis [54.39598154430305]
  本稿では,ペアビュー間の決定論的変換を直接学習するデータ間フローマッチングフレームワークを提案する。 PDG-FMは、事前訓練された拡散モデルの確率密度測定値から導かれる測地的補間剤を用いて流れの軌跡を制約する。 これらの結果は、一貫した新しいビュー生成のための決定論的フローマッチングにデータ依存の幾何正規化を組み込むことの利点を強調している。
  論文  参考訳（メタデータ） (2026-03-01T09:30:11Z)
• Weighted Stochastic Differential Equation to Implement Wasserstein-Fisher-Rao Gradient Flow [0.0]
  有望な作業のラインは、情報幾何学から、大量再重み付け機構を備えた拡散に基づくサンプル装置の拡張まで、ツールを活用する。 本研究は,WFRに基づくサンプリング力学の予備的かつ厳密な研究であり,今後の発展の基礎となる理論構造を明らかにすることを目的としている。
  論文  参考訳（メタデータ） (2025-12-19T18:31:27Z)
• ReDiSC: A Reparameterized Masked Diffusion Model for Scalable Node Classification with Structured Predictions [64.17845687013434]
  本稿では,構造化ノード分類のための構造拡散モデルであるReDiSCを提案する。 本稿では,ReDiSCが最先端のGNN,ラベル伝搬,拡散ベースラインと比較して,優れた,あるいは高い競争力を発揮することを示す。 特にReDiSCは、従来の構造化拡散法が計算制約によって失敗する大規模データセットに効果的にスケールする。
  論文  参考訳（メタデータ） (2025-07-19T04:46:53Z)
• Energy-Based Coarse-Graining in Molecular Dynamics: A Flow-Based Framework without Data [0.0]
  粗粒モデル(CG)は分子シミュレーションの複雑さを減らす効果的な経路を提供する。 本稿では,全原子ボルツマン分布を直接対象とするCGのための完全データフリーな生成フレームワークを提案する。 本手法はボルツマン分布のすべてのモードを捕捉し、原子配置を再構成し、自動的に物理的に意味のあるCG表現を学習することを示す。
  論文  参考訳（メタデータ） (2025-04-29T17:05:27Z)
• Riemannian Variational Flow Matching for Material and Protein Design [37.328940532069424]
  ユークリッド空間では、予測終点(VFM)、速度(FM)、ノイズ(拡散)はアフィンによってほぼ同値である。 曲線多様体上では、この同値性は崩壊し、終点予測がより強い学習信号を与えるという仮説を立てる。 この知見に基づいて、変動フローマッチングの目的を導出する。 合成球面および双曲型ベンチマークの実験は、物質やタンパク質の生成における実世界のタスクと同様に、RG-VFMがより効果的に多様体構造を捉えることを実証している。
  論文  参考訳（メタデータ） (2025-02-18T16:02:10Z)
• Bellman Diffusion: Generative Modeling as Learning a Linear Operator in the Distribution Space [72.52365911990935]
  本稿では,MDPの線形性を維持する新しいDGMフレームワークであるBellman Diffusionを紹介する。 この結果から,ベルマン拡散は分布RLタスクにおける従来のヒストグラムベースベースラインよりも1.5倍高速に収束し,精度の高い画像生成装置であることがわかった。
  論文  参考訳（メタデータ） (2024-10-02T17:53:23Z)
• Metric Flow Matching for Smooth Interpolations on the Data Manifold [40.24392451848883]
  Metric Flow Matching (MFM) は条件付きフローマッチングのための新しいシミュレーションフリーフレームワークである。 我々は,MFMを条件付き経路のフレームワークとして提案し,ソース分布をターゲット分布に変換する。 我々は、LiDARナビゲーション、未ペア画像翻訳、セルラーダイナミクスのモデリングなど、一連の課題でFMをテストする。
  論文  参考訳（メタデータ） (2024-05-23T16:48:06Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Equivariant Flow Matching with Hybrid Probability Transport [69.11915545210393]
  拡散モデル (DM) は, 特徴量の多いジオメトリの生成に有効であることを示した。 DMは通常、非効率なサンプリング速度を持つ不安定な確率力学に悩まされる。 等変モデリングと安定化確率力学の両方の利点を享受する幾何フローマッチングを導入する。
  論文  参考訳（メタデータ） (2023-12-12T11:13:13Z)
• Generative Modeling with Phase Stochastic Bridges [49.4474628881673]
  拡散モデル(DM)は、連続入力のための最先端の生成モデルを表す。 我々はtextbfphase space dynamics に基づく新しい生成モデリングフレームワークを提案する。 我々のフレームワークは、動的伝播の初期段階において、現実的なデータポイントを生成する能力を示す。
  論文  参考訳（メタデータ） (2023-10-11T18:38:28Z)
• Leveraging Side Information for Ligand Conformation Generation using Diffusion-Based Approaches [12.71967232020327]
  リガンド分子コンホメーション生成は、薬物発見において重要な課題である。 この問題を解決するためにディープラーニングモデルが開発されている。 これらのモデルはしばしば、本質的な側情報がないため、意味のある構造やランダム性を欠いたコンフォメーションを生成する。
  論文  参考訳（メタデータ） (2023-08-02T09:56:47Z)

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。