論文の概要: VecMol: Vector-Field Representations for 3D Molecule Generation

• arxiv url: http://arxiv.org/abs/2603.12734v1
• Date: Fri, 13 Mar 2026 07:26:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-16 17:38:11.965326
• Title: VecMol: Vector-Field Representations for 3D Molecule Generation
• Title（参考訳）: VecMol:3次元分子生成のためのベクトル場表現
• Abstract要約: VecMolは3次元分子をユークリッド空間上の連続ベクトル場としてモデル化することで分子表現を再現するパラダイムシフトフレームワークである。 QM9とGEOM-Drugsベンチマークの実験は、この新しいアプローチの可能性を検証する。
• 参考スコア（独自算出の注目度）: 48.276732426943774
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative modeling of three-dimensional (3D) molecules is a fundamental yet challenging problem in drug discovery and materials science. Existing approaches typically represent molecules as 3D graphs and co-generate discrete atom types with continuous atomic coordinates, leading to intrinsic learning difficulties such as heterogeneous modality entanglement and geometry-chemistry coherence constraints. We propose VecMol, a paradigm-shifting framework that reimagines molecular representation by modeling 3D molecules as continuous vector fields over Euclidean space, where vectors point toward nearby atoms and implicitly encode molecular structure. The vector field is parameterized by a neural field and generated using a latent diffusion model, avoiding explicit graph generation and decoupling structure learning from discrete atom instantiation. Experiments on the QM9 and GEOM-Drugs benchmarks validate the feasibility of this novel approach, suggesting vector-field-based representations as a promising new direction for 3D molecular generation.
• Abstract（参考訳）: 3次元(3D)分子の生成モデリングは、薬物発見と材料科学の基本的な問題である。 既存のアプローチは、分子を3Dグラフとして表現し、連続的な原子座標を持つ離散原子型を同時に生成し、不均一なモジュラリティの絡み合いや幾何学化学コヒーレンス制約のような固有の学習困難をもたらす。 本研究では, 3次元分子をユークリッド空間上の連続ベクトル場としてモデル化し, 分子構造を暗黙的に符号化することで, 分子表現を再現するパラダイムシフトフレームワークであるVecMolを提案する。 ベクトル場は、ニューラルネットワークによってパラメータ化され、遅延拡散モデルを用いて生成される。 QM9とGEOM-Drugsベンチマークの実験は、この新しいアプローチの実現可能性を検証するものであり、ベクトル場に基づく表現を3次元分子生成の有望な新しい方向として示唆している。

関連論文リスト

• Molecular Representations in Implicit Functional Space via Hyper-Networks [53.70982267248536]
  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。
  論文  参考訳（メタデータ） (2026-01-29T21:13:37Z)
• Learning Disentangled Equivariant Representation for Explicitly Controllable 3D Molecule Generation [29.905705361297578]
  テキスト特異的制御による3Dドラッグ様分子の条件生成 本稿では,E(3)-同変ワッサースタインオートエンコーダを提案し,生成モデルの潜伏空間を分子特性と3次元分子の構造的文脈の2つの相違点に分解する。
  論文  参考訳（メタデータ） (2024-12-19T17:33:56Z)
• Pre-training of Molecular GNNs via Conditional Boltzmann Generator [0.0]
  分子配座のデータセットを用いた分子GNNの事前学習法を提案する。 本モデルは,既存の事前学習法よりも分子特性の予測性能がよいことを示す。
  論文  参考訳（メタデータ） (2023-12-20T15:30:15Z)
• 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)
• Geometric Latent Diffusion Models for 3D Molecule Generation [172.15028281732737]
  生成モデル、特に拡散モデル(DM)は、特徴豊富な測地を生成する上で有望な結果を得た。 我々はGeoLDM(Geometric Latent Diffusion Models)と呼ばれる新しい3次元分子生成法を提案する。
  論文  参考訳（メタデータ） (2023-05-02T01:07:22Z)
• 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)
• Learning Harmonic Molecular Representations on Riemannian Manifold [18.49126496517951]
  分子表現学習は、AIによる薬物発見研究において重要な役割を担っている。 本研究では,その分子表面のラプラス・ベルトラミ固有関数を用いた分子を表現する高調波分子表現学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-27T18:02:47Z)
• 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)
• Scalable Fragment-Based 3D Molecular Design with Reinforcement Learning [68.8204255655161]
  分子構築に階層的エージェントを用いるスケーラブルな3D設計のための新しいフレームワークを提案する。 様々な実験において、エネルギーのみを考慮に入れたエージェントが、100以上の原子を持つ分子を効率よく生成できることが示されている。
  論文  参考訳（メタデータ） (2022-02-01T18:54:24Z)
• 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。