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
• Authors: Yaowei Jin, Junjie Wang, Cheng Cao, Penglei Wang, Duo An, Qian Shi,
• 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

• 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)
• 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。