論文の概要: Synthesizable Molecular Generation via Soft-constrained GFlowNets with Rich Chemical Priors

• arxiv url: http://arxiv.org/abs/2602.04119v1
• Date: Wed, 04 Feb 2026 01:27:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.332576
• Title: Synthesizable Molecular Generation via Soft-constrained GFlowNets with Rich Chemical Priors
• Title（参考訳）: リッチケミカルプリミティブを用いたソフト制約GFlowNetによる合成可能な分子生成
• Authors: Hyeonah Kim, Minsu Kim, Celine Roget, Dionessa Biton, Louis Vaillancourt, Yves V. Brun, Yoshua Bengio, Alex Hernandez-Garcia,
• Abstract要約: 本稿では,S3-GFNという合成可能なSMILES分子を,配列ベースGFlowNetの簡単なソフトレギュラー化により生成する手法を提案する。 実験の結果,S3-GFNは多種多様なタスクにおいて高い報酬で合成可能な分子を生成することができることがわかった。
• 参考スコア（独自算出の注目度）: 42.095574458478616
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The application of generative models for experimental drug discovery campaigns is severely limited by the difficulty of designing molecules de novo that can be synthesized in practice. Previous works have leveraged Generative Flow Networks (GFlowNets) to impose hard synthesizability constraints through the design of state and action spaces based on predefined reaction templates and building blocks. Despite the promising prospects of this approach, it currently lacks flexibility and scalability. As an alternative, we propose S3-GFN, which generates synthesizable SMILES molecules via simple soft regularization of a sequence-based GFlowNet. Our approach leverages rich molecular priors learned from large-scale SMILES corpora to steer molecular generation towards high-reward, synthesizable chemical spaces. The model induces constraints through off-policy replay training with a contrastive learning signal based on separate buffers of synthesizable and unsynthesizable samples. Our experiments show that S3-GFN learns to generate synthesizable molecules ($\geq 95\%$) with higher rewards in diverse tasks.
• Abstract（参考訳）: 実験的な薬物発見キャンペーンへの生成モデルの適用は、実際に合成できる分子デノボの設計の難しさによって著しく制限されている。 これまでの作業では、生成フローネットワーク(GFlowNets)を利用して、事前定義された反応テンプレートとビルディングブロックに基づいた状態空間と動作空間の設計を通じて、厳しい合成性制約を課している。 このアプローチの有望な見通しにもかかわらず、現時点では柔軟性とスケーラビリティが欠けている。 代案として,S3-GFNを提案する。S3-GFNは,配列ベースGFlowNetの簡単なソフト正規化によって合成可能なSMILES分子を生成する。 提案手法は, 大規模SMILESコーパスから得られた豊富な分子前駆体を利用して, 高逆合成可能な化学空間へのステア分子生成を行う。 このモデルは、合成可能なサンプルと合成不可能なサンプルの分離バッファに基づいて、対照的な学習信号を用いて、オフポリシー・リプレイトレーニングを通じて制約を誘導する。 我々の実験は、S3-GFNが様々なタスクにおいてより高い報酬を持つ合成可能な分子(\geq 95\%$)を生成することを学習していることを示している。

関連論文リスト

• RGFN: Synthesizable Molecular Generation Using GFlowNets [51.33672611338754]
  本稿では,化学反応の空間内で直接動作するGFlowNetフレームワークの拡張であるReaction-GFlowNetを提案する。 RGFNは、生成した候補の同等の品質を維持しながら、アウト・オブ・ボックスの合成を可能にする。 提案手法の有効性を,事前訓練されたプロキシモデルやGPUアクセラレーションドッキングなど,さまざまなオラクルモデルに適用した。
  論文  参考訳（メタデータ） (2024-06-01T13:11:11Z)
• SynFlowNet: Design of Diverse and Novel Molecules with Synthesis Constraints [16.21161274235011]
  反応空間が化学反応と精製可能な反応物質を用いて新しい分子を逐次生成するGFlowNetモデルであるSynFlowNetを紹介する。 生成機構の明示的な制約としてフォワード合成を取り入れることで、シリコン分子生成と実世界の合成能力のギャップを埋めることを目指す。
  論文  参考訳（メタデータ） (2024-05-02T10:15:59Z)
• Retrieval-based Controllable Molecule Generation [63.44583084888342]
  制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。 我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。 提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
  論文  参考訳（メタデータ） (2022-08-23T17:01:16Z)
• 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。