論文の概要: MolWorld: Molecule World Models for Actionable Molecular Optimization
- arxiv url: http://arxiv.org/abs/2605.08954v1
- Date: Sat, 09 May 2026 13:50:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:49.988667
- Title: MolWorld: Molecule World Models for Actionable Molecular Optimization
- Title（参考訳）: MolWorld: 分子最適化のための分子世界モデル
- Abstract要約: 有用な候補は、有効な局所構造変換を通じて既知の分子から到達可能であるべきである。
既存の de novo と Single-molecule 最適化手法は、そのような到達性を明示的にモデル化していない。
分子間移動グラフを進化する探索状態として扱う分子世界モデル誘導フレームワークであるMolWorldを提案する。
- 参考スコア（独自算出の注目度）: 10.142098969292753
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Molecular optimization in drug discovery aims to discover molecules with improved target properties, but practical lead optimization often requires more than high predicted scores. A useful candidate should also be actionable: it should be reachable from known molecules through valid local structural transformations, so that it can be interpreted as a plausible revision within an evolving chemical series. Existing de novo and single-molecule optimization methods do not explicitly model such reachability, especially when both the target molecules and the intermediate molecules connecting them to known compounds are unknown. In this work, we formulate actionable molecular optimization as sequential expansion of a molecule-transfer graph, where nodes are molecules and edges encode valid local transformations. We propose MolWorld, a molecule world model-guided framework that treats the current molecule-transfer graph as an evolving search state. At each iteration, MolWorld selects local anchor contexts, generates candidate molecules conditioned on these contexts, evaluates their properties, and uses a learned world model to update the evolving molecule world by retaining admissible candidates and inserting them into the molecule-transfer graph. The expanded molecule world then guides subsequent optimization. Experiments on property optimization and docking-based tasks show that MolWorld discovers high-property molecules while maintaining substantially stronger structural connectivity, supporting actionable and sequential molecular design.
- Abstract（参考訳）: 薬物発見における分子最適化は、標的特性を改善した分子を発見することを目的としているが、実用的な鉛最適化は高い予測値以上のスコアを必要とすることが多い。
有効な候補は、有効な局所的な構造変換を通じて既知の分子から到達可能であり、進化する化学系列の中で妥当なリビジョンと解釈できる。
既存のデ・ノボと単一分子最適化法は、特に対象分子とそれらと既知の化合物を結合する中間分子の両方が未知である場合に、そのような到達性を明示的にモデル化しない。
本研究では, 分子移動グラフの逐次展開として作用可能な分子最適化を定式化し, ノードは分子であり, エッジは有効な局所変換を符号化する。
分子間移動グラフを進化する探索状態として扱う分子世界モデル誘導フレームワークであるMolWorldを提案する。
それぞれのイテレーションで、MollWorldは局所的なアンカーコンテキストを選択し、これらのコンテキストで条件付けられた候補分子を生成し、それらの特性を評価し、学習された世界モデルを使用して、許容可能な候補を保持し、分子移動グラフにそれらを挿入することで、進化する分子の世界を更新する。
拡張された分子の世界は、その後の最適化を導く。
特性最適化とドッキングに基づくタスクの実験により、モルワールドは高純度分子を発見できると同時に、より強力な構造接続を維持し、実用的な分子設計とシーケンシャル分子設計をサポートすることが示されている。
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) - Mol-LLaMA: Towards General Understanding of Molecules in Large Molecular Language Model [52.84455878597969]
Mol-LLaMAは、分子を中心とした一般的な知識を把握した大きな分子言語モデルである。
分子理解を改善するために,分子エンコーダの相補的な情報を統合するモジュールを提案する。
論文 参考訳（メタデータ） (2025-02-19T05:49:10Z) - Text-Guided Multi-Property Molecular Optimization with a Diffusion Language Model [20.250683535089617]
変換器を用いた拡散言語モデル(TransDLM)を用いたテキスト誘導多目的分子最適化手法を提案する。
物理的、化学的に詳細なセマンティクスを特異的な分子表現と融合することにより、TransDLMは様々な情報ソースを効果的に統合し、正確な最適化を導く。
論文 参考訳（メタデータ） (2024-10-17T14:30:27Z) - Navigating Chemical Space with Latent Flows [20.95884505685799]
本稿では,分子生成モデルによって学習された潜伏空間をフローを通して移動させることにより,化学空間を横断する新しいフレームワークであるChemFlowを提案する。
我々は,分子操作におけるChemFlowの有効性と,教師なしおよび教師なしの両方の分子発見条件下での単目的および多目的最適化タスクの有効性を検証した。
論文 参考訳（メタデータ） (2024-05-07T03:55:57Z) - Diffusing on Two Levels and Optimizing for Multiple Properties: A Novel
Approach to Generating Molecules with Desirable Properties [33.2976176283611]
本稿では,分子を望ましい性質で生成する新しい手法を提案する。
望ましい分子断片を得るため,我々は新しい電子効果に基づくフラグメンテーション法を開発した。
提案手法により生成する分子は, 従来のSOTAモデルより有効, 特異性, 新規性, Fr'echet ChemNet Distance (FCD), QED, PlogP を有することを示す。
論文 参考訳（メタデータ） (2023-10-05T11:43:21Z) - Molecule Design by Latent Space Energy-Based Modeling and Gradual
Distribution Shifting [53.44684898432997]
化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。
本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。
本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
論文 参考訳（メタデータ） (2023-06-09T03:04:21Z) - MAGNet: Motif-Agnostic Generation of Molecules from Shapes [16.188301768974]
MAGNetは、原子と結合の型を割り当てる前に抽象的な形状を生成するグラフベースのモデルである。
MAGNetの表現性の向上は、よりトポロジカルな構造を持つ分子に繋がることを示した。
論文 参考訳（メタデータ） (2023-05-30T15:29:34Z) - Domain-Agnostic Molecular Generation with Chemical Feedback [44.063584808910896]
MolGenは、分子生成に特化した事前訓練された分子言語モデルである。
1億以上の分子SELFIESを再構成することで構造的および文法的な洞察を内部化する。
我々の化学フィードバックパラダイムは、モデルを分子幻覚から遠ざけ、モデルの推定確率と実世界の化学的嗜好との整合性を確保する。
論文 参考訳（メタデータ） (2023-01-26T17:52:56Z) - MolCPT: Molecule Continuous Prompt Tuning to Generalize Molecular
Representation Learning [77.31492888819935]
分子表現学習のための「プリトレイン,プロンプト,ファインチューン」という新しいパラダイム,分子連続プロンプトチューニング(MolCPT)を提案する。
MolCPTは、事前訓練されたモデルを使用して、スタンドアロンの入力を表現的なプロンプトに投影するモチーフプロンプト関数を定義する。
いくつかのベンチマークデータセットの実験により、MollCPTは分子特性予測のために学習済みのGNNを効率的に一般化することが示された。
論文 参考訳（メタデータ） (2022-12-20T19:32:30Z) - Fragment-based Sequential Translation for Molecular Optimization [23.152338167332374]
本稿では,分子断片を用いた分子生成のためのフレキシブルな編集パラダイムを提案する。
我々は変分オートエンコーダを用いて分子断片をコヒーレント潜在空間に符号化する。
そして、分子を編集して複雑な化学特性空間を探索する語彙として利用します。
論文 参考訳（メタデータ） (2021-10-26T21:20:54Z) - Reinforced Molecular Optimization with Neighborhood-Controlled Grammars [63.84003497770347]
分子最適化のためのグラフ畳み込みポリシネットワークであるMNCE-RLを提案する。
我々は、元の近傍制御された埋め込み文法を拡張して、分子グラフ生成に適用する。
提案手法は, 分子最適化タスクの多種多様さにおいて, 最先端性能を実現する。
論文 参考訳（メタデータ） (2020-11-14T05:42:15Z)
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。