論文の概要: From Holo Pockets to Electron Density: GPT-style Drug Design with Density
- arxiv url: http://arxiv.org/abs/2605.08767v1
- Date: Sat, 09 May 2026 07:51:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:49.875116
- Title: From Holo Pockets to Electron Density: GPT-style Drug Design with Density
- Title（参考訳）: ホロポケットから電子密度へ:GPT-style Drug Design with Density
- Abstract要約: 既存の方法では、ホロ錯体から空の結合ポケットに分子を固定し、フィラーなどの情報成分を見渡す。
そこで本研究では, 充填剤から得られる低分解能電子密度(ED)を, テクスタイドノボ医薬品設計のための物理的条件として活用する。
低分解能ED点雲から分子を生成するデコーダのみの自己回帰フレームワークであるEDMolGPTを紹介する。
- 参考スコア（独自算出の注目度）: 15.559432698845805
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advances in generative modeling have enabled significant progress in structure-based drug design (SBDD). Existing methods typically condition molecule generation on empty binding pockets from holo complexes, overlooking informative components such as the filler (ligands and solvent). Here, we leverage low-resolution electron density (ED) derived from the filler as a physically grounded condition for \textit{de novo} drug design. We consider two types of ED, calculated and cryo-EM/X-ray, obtainable from computational or experimental sources, supporting unified pre-training and experimental integration. Compared with rigid pocket representations, experimental ED naturally captures conformational flexibility and provides a more faithful description of the binding environment. Based on this, we introduce EDMolGPT, a decoder-only autoregressive framework that generates molecules from low-resolution ED point clouds. By grounding generation in physically meaningful density signals, EDMolGPT mitigates structural bias and produces molecules with 3D conformations. Evaluations on 101 biological targets verify the effectiveness. Our project page: https://jiahaochen1.github.io/EDMolGPT_Page/.
- Abstract（参考訳）: 生成モデリングの最近の進歩は、構造ベースドラッグデザイン(SBDD)の大幅な進歩を可能にしている。
既存の方法では、通常、ホロ錯体から空の結合ポケットに分子を生成し、フィラー(配位子と溶媒)のような情報的成分を見渡す。
ここでは, フィラーから誘導される低分解能電子密度(ED)を, 薬物設計の物理的条件として活用する。
計算や実験資料から得られるEDとCryo-EM/X-rayの2つのタイプを考察し、統合された事前学習と実験的な統合をサポートする。
厳密なポケット表現と比較して、実験EDは自然にコンフォメーションの柔軟性を捉え、結合環境をより忠実に記述する。
そこで本研究では,低分解能ED点雲から分子を生成するデコーダのみの自己回帰フレームワークであるEDMolGPTを紹介する。
物理的に意味のある密度信号の生成によって、EDMolGPTは構造バイアスを緩和し、3次元配座を持つ分子を生成する。
101の生物学的目標に対する評価は有効性を検証する。
私たちのプロジェクトページは、https://jiahaochen1.github.io/EDMolGPT_Page/です。
関連論文リスト
- Guiding Diffusion Models with Reinforcement Learning for Stable Molecule Generation [16.01877423456416]
物理フィードバックを用いた強化学習(Reinforcement Learning with Physical Feedback, RLPF)は, 拡散政策最適化を3次元分子生成に拡張する新しいフレームワークである。
RLPFは、力場評価から得られる報酬関数を導入し、エネルギー的に安定で物理的に意味のある構造への生成を導く。
QM9およびGEOM-drugデータセットの実験により、RLPFは既存の方法と比較して分子安定性を著しく改善することが示された。
論文 参考訳（メタデータ） (2025-08-22T16:44:55Z) - Reimagining Target-Aware Molecular Generation through Retrieval-Enhanced Aligned Diffusion [22.204642926984526]
Retrieval-Augmented GenerationとSE(3)-同変拡散モデルとを融合した最初のREADが導入された。
CBGBenchでは非常に競争力があり、最先端のジェネレーティブモデルやネイティブな足場を超越している。
論文 参考訳（メタデータ） (2025-06-17T13:09:11Z) - EDBench: Large-Scale Electron Density Data for Molecular Modeling [24.86737047895369]
電子密度(ED)$rho(r)$は、対話型多粒子系のすべての基底状態特性を決定する。
EDBenchは、電子規模の学習ベースの研究を促進するために設計されたEDの大規模で高品質なデータセットである。
論文 参考訳（メタデータ） (2025-05-14T10:23:22Z) - 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) - 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) - Learning Equivariant Non-Local Electron Density Functionals [51.721844709174206]
等変グラフニューラルネットワーク(GNN)に基づく新しい非局所XC関数であるEquivariant Graph Exchange correlation (EG-XC)を導入する。
この点の雲に同変GNNを適用することにより、スケーラブルで正確な分子レンジ相互作用をキャプチャする。
EG-XCは、QM9上のデータ効率と分子サイズの外挿に優れ、5倍以上の分子で訓練された整合力場である。
論文 参考訳（メタデータ） (2024-10-10T14:31:45Z) - DecompDiff: Diffusion Models with Decomposed Priors for Structure-Based Drug Design [62.68420322996345]
既存の構造に基づく薬物設計法は、すべての配位子原子を等しく扱う。
腕と足場を分解した新しい拡散モデルDecompDiffを提案する。
提案手法は,高親和性分子の生成における最先端性能を実現する。
論文 参考訳（メタデータ） (2024-02-26T05:21:21Z) - Functional-Group-Based Diffusion for Pocket-Specific Molecule Generation and Elaboration [63.23362798102195]
ポケット特異的分子生成とエラボレーションのための機能群に基づく拡散モデルD3FGを提案する。
D3FGは分子を、剛体として定義される官能基と質量点としてのリンカーの2つのカテゴリに分解する。
実験では, より現実的な3次元構造, タンパク質標的に対する競合親和性, 薬物特性の良好な分子を生成できる。
論文 参考訳（メタデータ） (2023-05-30T06:41:20Z) - BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。
ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
論文 参考訳（メタデータ） (2021-06-08T10:14:57Z) - Investigating 3D Atomic Environments for Enhanced QSAR [0.0]
分子の生物活性と物理的性質を予測することは、薬物設計における長年の課題である。
ほとんどのアプローチでは、分子の2次元表現に基づく分子記述子を原子と結合のグラフとして使用し、分子の形状を抽象化する。
Smooth Overlap of Atomic Positions (SOAP) を用いた新しいアライメントフリー3次元QSAR法について述べる。
論文 参考訳（メタデータ） (2020-10-24T10:04:48Z)
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。