論文の概要: CAGenMol: Condition-Aware Diffusion Language Model for Goal-Directed Molecular Generation

• arxiv url: http://arxiv.org/abs/2604.11483v1
• Date: Mon, 13 Apr 2026 13:49:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.576431
• Title: CAGenMol: Condition-Aware Diffusion Language Model for Goal-Directed Molecular Generation
• Title（参考訳）: CAGenMol:ゴール指向分子生成のための条件対応拡散言語モデル
• Authors: Yanting Li, Zhuoyang Jiang, Enyan Dai, Lei Wang, Wen-Cai Ye, Li Liu,
• Abstract要約: 本稿では,分子配列上の状態認識型離散拡散フレームワークCAGenMolを提案する。 離散拡散と強化学習を結合することにより、モデルは生成軌道を微分不可能な目的と整列させる。 構造条件付き、プロパティ条件付き、デュアル条件付きベンチマークの実験は、一貫した改善を示している。
• 参考スコア（独自算出の注目度）: 14.125369423416275
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Goal-directed molecular generation requires satisfying heterogeneous constraints such as protein--ligand compatibility and multi-objective drug-like properties, yet existing methods often optimize these constraints in isolation, failing to reconcile conflicting objectives (e.g., affinity vs. safety), and struggle to navigate the non-differentiable chemical space without compromising structural validity. To address these challenges, we propose CAGenMol, a condition-aware discrete diffusion framework over molecular sequences that formulates molecular design as conditional denoising guided by heterogeneous structural and property signals. By coupling discrete diffusion with reinforcement learning, the model aligns the generation trajectory with non-differentiable objectives while preserving chemical validity and diversity. The non-autoregressive nature of diffusion language model further enables iterative refinement of molecular fragments at inference time. Experiments on structure-conditioned, property-conditioned, and dual-conditioned benchmarks demonstrate consistent improvements over state-of-the-art methods in binding affinity, drug-likeness, and success rate, highlighting the effectiveness of our framework.
• Abstract（参考訳）: ゴール指向分子生成は、タンパク質-リガンドの適合性や多目的薬物のような性質のような不均一な制約を満たすことを必要とするが、既存の方法は、しばしば孤立してこれらの制約を最適化し、競合する目的(例えば、親和性対安全性)を調整できず、構造的妥当性を損なうことなく、非分化不可能な化学空間をナビゲートするのに苦労する。 このような課題に対処するため,分子配列上の状態認識型離散拡散フレームワークであるCAGenMolを提案する。 離散拡散と強化学習を結合することにより、生成軌道と微分不可能な目的とを一致させ、化学的妥当性と多様性を保つ。 拡散言語モデルの非自己回帰的性質により、推論時に分子断片を反復的に洗練することができる。 構造条件付き, 特性条件付き, 二重条件付きベンチマークの実験は, 親和性, 薬物類似性, 成功率の結合における最先端手法に対する一貫した改善を示し, フレームワークの有効性を強調した。

関連論文リスト

• Controllable protein design through Feynman-Kac steering [5.477297165738714]
  推論時間制御手法であるFeynman-Kac steering frameworkを拡散型タンパク質設計に拡張する。 この研究は、推論時FK制御が拡散に基づくタンパク質設計を任意の、微分不可能で、報酬に依存しない目的に一般化することを実証している。
  論文  参考訳（メタデータ） (2025-11-12T11:23:44Z)
• DEMO:Diffusion-based Evolutionary Optimization for 3D Multi-Objective Molecular Generation [25.82864719790724]
  構造的制約を満足しながら複数の目的特性を最適化することは、3次元分子発見の大きな課題である。 本稿では,事前学習した拡散モデルの生成力を生かした新しい3次元分子多目的進化アルゴリズムを提案する。 本手法は,拡散モデルの前方処理で定義される雑音空間におけるクロスオーバー操作を行い,親の特徴や所望のフラグメントを子孫に融合させる。
  論文  参考訳（メタデータ） (2025-05-16T09:32:40Z)
• Molecule Generation for Target Protein Binding with Hierarchical Consistency Diffusion Model [17.885767456439215]
  Atom-Motif Consistency Diffusion Model (AMDiff)は、分子の原子レベルのビューとモチーフレベルのビューを統合する階層的な拡散アーキテクチャである。 既存のアプローチと比較して、AMDiffは様々なタンパク質ポケットに適合するように調整された分子の生成において、優れた妥当性と新規性を示す。
  論文  参考訳（メタデータ） (2025-03-02T17:54:30Z)
• Conditional Synthesis of 3D Molecules with Time Correction Sampler [58.0834973489875]
  Time-Aware Conditional Synthesis (TACS) は拡散モデルにおける条件生成の新しい手法である。 適応的に制御されたプラグアンドプレイの"オンライン"ガイダンスを拡散モデルに統合し、サンプルを所望の特性に向けて駆動する。
  論文  参考訳（メタデータ） (2024-11-01T12:59:25Z)
• Manifold-Constrained Nucleus-Level Denoising Diffusion Model for Structure-Based Drug Design [81.95343363178662]
  原子は分離違反を避けるために 最小の対距離を維持する必要がある NucleusDiff は原子核と周囲の電子雲の間の相互作用を距離制約によってモデル化する。 違反率は1000%まで減少し、結合親和性は22.16%まで向上し、構造に基づく薬物設計の最先端モデルを上回る。
  論文  参考訳（メタデータ） (2024-09-16T08:42:46Z)
• Aligning Target-Aware Molecule Diffusion Models with Exact Energy Optimization [147.7899503829411]
  AliDiffは、事前訓練されたターゲット拡散モデルと望ましい機能特性を整合させる新しいフレームワークである。 最先端の結合エネルギーを持つ分子を最大7.07 Avg. Vina Scoreで生成することができる。
  論文  参考訳（メタデータ） (2024-07-01T06:10:29Z)
• AUTODIFF: Autoregressive Diffusion Modeling for Structure-based Drug Design [16.946648071157618]
  構造に基づく薬物設計のための拡散型フラグメントワイド自己回帰生成モデル(SBDD)を提案する。 我々はまず,分子の局所構造の整合性を保持する共形モチーフという新しい分子組立戦略を設計する。 次に、タンパク質-リガンド複合体とSE(3)等価な畳み込みネットワークとの相互作用をエンコードし、拡散モデルを用いて分子モチーフ・バイ・モチーフを生成する。
  論文  参考訳（メタデータ） (2024-04-02T14:44:02Z)
• DecompOpt: Controllable and Decomposed Diffusion Models for Structure-based Molecular Optimization [49.85944390503957]
  DecompOptは、制御可能・拡散モデルに基づく構造に基づく分子最適化手法である。 DecompOptは強いde novoベースラインよりも優れた特性を持つ分子を効率よく生成できることを示す。
  論文  参考訳（メタデータ） (2024-03-07T02:53:40Z)

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。