論文の概要: CombiMOTS: Combinatorial Multi-Objective Tree Search for Dual-Target Molecule Generation

• arxiv url: http://arxiv.org/abs/2604.23307v1
• Date: Sat, 25 Apr 2026 13:44:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.260334
• Title: CombiMOTS: Combinatorial Multi-Objective Tree Search for Dual-Target Molecule Generation
• Title（参考訳）: CombiMOTS:デュアルターゲット分子生成のための組合せ多目的木探索
• Authors: Thibaud Southiratn, Bonil Koo, Yijingxiu Lu, Sun Kim,
• Abstract要約: CombiMOTSは二重ターゲット分子を生成するフレームワークである。 CombiMOTSは、高いドッキングスコア、多様性の向上、バランスの取れた薬理特性を持つ新規な二重ターゲット分子を生産する。
• 参考スコア（独自算出の注目度）: 8.288411013805648
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Dual-target molecule generation, which focuses on discovering compounds capable of interacting with two target proteins, has garnered significant attention due to its potential for improving therapeutic efficiency, safety and resistance mitigation. Existing approaches face two critical challenges. First, by simplifying the complex dual-target optimization problem to scalarized combinations of individual objectives, they fail to capture important trade-offs between target engagement and molecular properties. Second, they typically do not integrate synthetic planning into the generative process. This highlights a need for more appropriate objective function design and synthesis-aware methodologies tailored to the dual-target molecule generation task. In this work, we propose CombiMOTS, a Pareto Monte Carlo Tree Search (PMCTS) framework that generates dual-target molecules. CombiMOTS is designed to explore a synthesizable fragment space while employing vectorized optimization constraints to encapsulate target affinity and physicochemical properties. Extensive experiments on real-world databases demonstrate that CombiMOTS produces novel dual-target molecules with high docking scores, enhanced diversity, and balanced pharmacological characteristics, showcasing its potential as a powerful tool for dual-target drug discovery. The code and data is accessible through https://github.com/Tibogoss/CombiMOTS.
• Abstract（参考訳）: 2つの標的タンパク質と相互作用する化合物の発見に焦点をあてたデュアルターゲット分子生成は、治療効率、安全性、耐性の軽減の可能性を秘めている。 既存のアプローチは2つの重要な課題に直面します。 第一に、複雑な二重ターゲット最適化問題を単純化して個々の目的をスキャラライズした組み合わせを行うことで、ターゲットのエンゲージメントと分子特性の間の重要なトレードオフを捉えることができない。 第二に、彼らは通常、生成過程に合成計画を統合することはない。 このことは、二重ターゲット分子生成タスクに適した、より適切な目的関数設計と合成対応手法の必要性を強調している。 本研究では,2つのターゲット分子を生成するPareto Monte Carlo Tree Search (PMCTS) フレームワークであるCombiMOTSを提案する。 CombiMOTSは、ターゲット親和性と物理化学的性質をカプセル化するためにベクトル化された最適化制約を使用しながら、合成可能なフラグメント空間を探索するように設計されている。 実世界のデータベースに関する大規模な実験により、CombiMOTSは高いドッキングスコア、多様性の向上、バランスの取れた薬理特性を持つ新しい二重ターゲット分子を生産し、二重ターゲットの薬物発見の強力なツールとしての可能性を示している。 コードとデータはhttps://github.com/Tibogoss/CombiMOTSからアクセスできる。

関連論文リスト

• ExMolRL: Phenotype-Target Joint Generation of De Novo Molecules via Multi-Objective Reinforcement Learning [4.998189068886174]
  ExMoIRLは、デノボ分子生成のための表現型および標的特異的なキューを統合する新しい生成フレームワークである。 ドッキング親和性と薬物類似度スコアを融合させ、ランキング損失、前装正規化、エントロピーを増強する。 大規模な実験では、ExMoIRLは最先端およびターゲットベースモデルよりも優れた性能を示している。
  論文  参考訳（メタデータ） (2025-09-25T11:13:24Z)
• FragmentGPT: A Unified GPT Model for Fragment Growing, Linking, and Merging in Molecular Design [42.429674313921545]
  FragmentGPTは、切断された分子断片を化学的および薬理学的に有効な候補に結合するリンカーを生成する。 また、重複フラグメントのような構造的冗長性、すなわちインテリジェントなマージの解決も学んでいる。 実世界のがんデータセットの実験とアブレーション研究は、化学的に有効な高品質な分子を生成する能力を示している。
  論文  参考訳（メタデータ） (2025-09-14T02:17:07Z)
• Collaborative Expert LLMs Guided Multi-Objective Molecular Optimization [51.104444856052204]
  我々は,多目的分子最適化のための協調型大規模言語モデル(LLM)システムであるMultiMolを提案する。 6つの多目的最適化タスクに対する評価において、MultiMolは既存の手法を著しく上回り、82.30%の成功率を達成した。
  論文  参考訳（メタデータ） (2025-03-05T13:47:55Z)
• InversionGNN: A Dual Path Network for Multi-Property Molecular Optimization [77.79862482208326]
  InversionGNNは、多目的薬物発見のための有効だがサンプル効率のよいデュアルパスグラフニューラルネットワーク(GNN)である。 関数群の最適組み合わせに関する知識を得るために,マルチプロパティ予測のためのモデルを訓練する。 そして、学習された化学知識は、インバージョン生成経路が要求される性質を持つ分子を生成するのに役立つ。
  論文  参考訳（メタデータ） (2025-03-03T12:53:36Z)
• Pareto Optimization to Accelerate Multi-Objective Virtual Screening [11.356174411578515]
  EGFRおよびIGF1Rの選択的二重阻害剤であると考えられる4M分子の仮想ライブラリーを探索するツールを開発した。 このワークフローと関連するオープンソースソフトウェアは、分子設計プロジェクトのスクリーニング負担を軽減することができる。
  論文  参考訳（メタデータ） (2023-10-16T17:19:46Z)
• LIMO: Latent Inceptionism for Targeted Molecule Generation [14.391216237573369]
  本研究は,分子発生を極めて促進する分子発生機構であるLIMO(Latent Inceptionism on Molecules)について述べる。 総合的な実験により、LIMOはベンチマークタスクで競争力を発揮することが示された。 生成した薬物様化合物の1つが、ヒトエストロゲン受容体に対して6～14ドルのK_D$を予測している。
  論文  参考訳（メタデータ） (2022-06-17T21:05:58Z)
• Optimizing Molecules using Efficient Queries from Property Evaluations [66.66290256377376]
  汎用的なクエリベースの分子最適化フレームワークであるQMOを提案する。 QMOは効率的なクエリに基づいて入力分子の所望の特性を改善する。 QMOは, 有機分子を最適化するベンチマークタスクにおいて, 既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-03T18:51:18Z)
• 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)
• CogMol: Target-Specific and Selective Drug Design for COVID-19 Using Deep Generative Models [74.58583689523999]
  新規なウイルスタンパク質を標的とした新規な薬物様小分子を設計するためのエンド・ツー・エンドのフレームワークであるCogMolを提案する。 CogMolは、分子SMILES変分オートエンコーダ(VAE)の適応事前学習と、効率的なマルチ属性制御サンプリングスキームを組み合わせる。 CogMolは、高目標特異性と選択性を有する合成可能で低毒性な薬物様分子の多制約設計を扱う。
  論文  参考訳（メタデータ） (2020-04-02T18:17:20Z)

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。