論文の概要: Structure-guided molecular design with contrastive 3D protein-ligand learning

• arxiv url: http://arxiv.org/abs/2604.19562v1
• Date: Tue, 21 Apr 2026 15:13:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.839134
• Title: Structure-guided molecular design with contrastive 3D protein-ligand learning
• Title（参考訳）: 対照的な3Dタンパク質リガンド学習を用いた構造誘導分子設計
• Authors: Carles Navarro, Philipp Tholke, Gianni de Fabritiis,
• Abstract要約: 構造に基づく薬物発見は、3Dタンパク質-リガンド相互作用を正確に捉え、超大型の化学空間をナビゲートするという2つの課題に直面している。 本稿では, コントラスト型3次元構造の符号化と, 商用複合空間に条件付き自己回帰分子生成を併用することにより, これらの課題に対処する統一的な枠組みを提案する。
• 参考スコア（独自算出の注目度）: 4.938502760488423
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Structure-based drug discovery faces the dual challenge of accurately capturing 3D protein-ligand interactions while navigating ultra-large chemical spaces to identify synthetically accessible candidates. In this work, we present a unified framework that addresses these challenges by combining contrastive 3D structure encoding with autoregressive molecular generation conditioned on commercial compound spaces. First, we introduce an SE(3)-equivariant transformer that encodes ligand and pocket structures into a shared embedding space via contrastive learning, achieving competitive results in zero-shot virtual screening. Second, we integrate these embeddings into a multimodal Chemical Language Model (MCLM). The model generates target-specific molecules conditioned on either pocket or ligand structures, with a learned dataset token that steers the output toward targeted chemical spaces, yielding candidates with favorable predicted binding properties across diverse targets.
• Abstract（参考訳）: 構造に基づく薬物発見は、3Dタンパク質-リガンド相互作用を正確に捉えながら、合成可能な候補を特定するために超大規模化学空間をナビゲートする、という2つの課題に直面している。 本研究では、これらの課題に対処する統一的な枠組みを、商用複合空間上で条件付けられた自己回帰分子生成とコントラスト的な3次元構造エンコーディングと組み合わせて提示する。 まず, コントラスト学習により, リガンドとポケット構造を共有埋め込み空間に符号化し, ゼロショット仮想スクリーニングにおいて競合する結果を得るSE(3)-equivariant transformerを提案する。 第2に、これらの埋め込みをマルチモーダル化学言語モデル(MCLM)に統合する。 このモデルは、ポケットまたはリガンド構造のいずれかに条件付けられたターゲット特異的分子を生成し、学習されたデータセットトークンにより、ターゲットとする化学空間に向けて出力を制御し、様々なターゲットにわたって予測される結合特性を持つ候補を得る。

関連論文リスト

• Dynamics-inspired Structure Hallucination for Protein-protein Interaction Modeling [60.57197355431804]
  タンパク質とタンパク質の相互作用 (PPI) は生物学の中心的な課題である。 深層学習は、このような変異の影響を予測することは約束されているが、2つの主要な制約によって妨げられている。 本稿では,Refine-PPIという新しいフレームワークについて述べる。
  論文  参考訳（メタデータ） (2026-01-08T19:29:04Z)
• Aligned Manifold Property and Topology Point Clouds for Learning Molecular Properties [55.2480439325792]
  この研究は、局所量子由来のスカラー場とカスタムトポロジカルディスクリプタを組み合わせた分子表面表現であるAMPTCRを導入する。 分子量については、AMPTCRが物理的に意味のあるデータをコードし、検証R2は0.87であることを確認した。 細菌抑制タスクでは、AMPTCRは大腸菌阻害値の分類と直接回帰の両方を可能にする。
  論文  参考訳（メタデータ） (2025-07-22T04:35:50Z)
• Towards Unified and Lossless Latent Space for 3D Molecular Latent Diffusion Modeling [90.23688195918432]
  3次元分子生成は、薬物発見と物質科学に不可欠である。 既存のアプローチは、典型的には不変かつ同変なモジュラリティに対して別々のラテント空間を保持する。 我々は,3次元分子を潜在空間から潜在配列に圧縮するマルチモーダルVAEである textbfUAE-3D を提案する。
  論文  参考訳（メタデータ） (2025-03-19T08:56:13Z)
• UniGenX: a unified generative foundation model that couples sequence, structure and function to accelerate scientific design across proteins, molecules and materials [62.72989417755985]
  自然系における関数の統一生成モデルUniGenXを提案する。 UniGenXはシンボルトークンと数値トークンの混合ストリームとして異種入力を表す。 ドメイン間のファンクション・アウェア・ジェネレーションに対して、最先端または競合的なパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-03-09T16:43:07Z)
• Retro3D: A 3D-aware Template-free Method for Enhancing Retrosynthesis via Molecular Conformer Information [18.70229501275432]
  再合成は、有機合成と薬物開発において重要な役割を担っている。 本稿では,3次元コンフォメータデータと空間情報を組み合わせたトランスフォーマーベースのテンプレートフリー手法を提案する。 我々のアプローチには、入力段階で3D位置データを統合するAtom-align Fusionモジュールが含まれています。
  論文  参考訳（メタデータ） (2025-01-21T18:54:16Z)
• 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)
• DPLM-2: A Multimodal Diffusion Protein Language Model [75.98083311705182]
  DPLM-2は, 離散拡散タンパク質言語モデル(DPLM)を拡張し, 配列と構造の両方に適合する多モーダルタンパク質基盤モデルである。 DPLM-2は、配列と構造、およびその限界と条件の結合分布を学習する。 実験によりDPLM-2は高度に互換性のあるアミノ酸配列とそれに対応する3D構造を同時に生成できることが示された。
  論文  参考訳（メタデータ） (2024-10-17T17:20:24Z)
• Generation of 3D Molecules in Pockets via Language Model [0.0]
  逐次線記法(SMILES)やグラフ表現に基づく分子の生成モデルは、構造に基づく薬物設計の分野への関心が高まっている。 本稿では,言語モデルと幾何学的深層学習技術を組み合わせたポケットベースの3次元分子生成手法であるLingo3DMolを紹介する。
  論文  参考訳（メタデータ） (2023-05-17T11:31:06Z)
• In-Pocket 3D Graphs Enhance Ligand-Target Compatibility in Generative Small-Molecule Creation [0.0]
  本稿では,関係グラフアーキテクチャ内の3次元タンパク質-リガンド接触を符号化したグラフベース生成モデリング技術を提案する。 これらのモデルは、活性特異的な分子生成を可能にする条件付き変分オートエンコーダと、ターゲットの結合ポケット内の分子相互作用の予測を提供する配置接触生成を組み合わせる。
  論文  参考訳（メタデータ） (2022-04-05T22:53:51Z)

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。