論文の概要: From Single-Step Edit Response to Multi-Step Molecular Optimization
- arxiv url: http://arxiv.org/abs/2605.10035v1
- Date: Mon, 11 May 2026 06:00:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-12 23:28:50.560859
- Title: From Single-Step Edit Response to Multi-Step Molecular Optimization
- Title（参考訳）: シングルステップ編集応答からマルチステップ分子最適化へ
- Authors: Haojie Rao, Kun Li, Yida Xiong, Jiameng Chen, Wenbin Hu, Yizhen Zheng, Jiajun Yu, Duanhua Cao,
- Abstract要約: 条件付き分子最適化は、特定の特性シフトを実現するために分子を編集することを目的としている。
実際には、構造的に類似した分子データは少ないが、決定は本質的には作用レベルである。
単段階分子編集応答予測器と多段階プランナからなる応答指向離散編集最適化手法を提案する。
- 参考スコア（独自算出の注目度）: 9.685693410049495
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Conditional molecular optimization aims to edit a molecule to realize a specified property shift. In practice, structurally similar molecule data is scarce, while decisions are inherently action-level: at each step, the system must select one local structural edit from a candidate set that is strictly filtered by chemical feasibility rules. This level mismatch between supervision and decision makes oracle-in-the-loop search unstable in molecular optimization. Regressing on property differences between molecule pairs improves data efficiency but relies on oracle-in-the-loop search, entangling transformation effects with global context and providing limited guidance for selecting the next feasible edit, often resorting to oracle-in-the-loop search. For this reason, we propose a response-oriented discrete edit optimization approach comprising two tightly coupled components: a single-step molecular edit response predictor (SMER) and a multi-step planner that composes local predictions into optimization trajectories via guided tree search (SMER-Opt). The approach learns a directional evaluation model over edit actions to support constraint-aware planning. It mines weakly related molecule pairs and decomposes their structural differences into minimal edit units, turning endpoint property annotations into process-level supervision and yielding reusable, transferable action primitives. A directional edit evaluator then scores feasible candidate edits by their likelihood of moving the molecule toward the desired property change, substantially reducing dependence on external evaluator queries at decision time. Code is available at https://anonymous.4open.science/r/SMER.
- Abstract（参考訳）: 条件付き分子最適化は、特定の特性シフトを実現するために分子を編集することを目的としている。
実際には、構造的に類似した分子データは少ないが、決定は本質的にアクションレベルであり、各ステップでは、化学的実現可能性規則によって厳密にフィルタリングされた候補集合から1つの局所的な構造的編集を選択する必要がある。
このレベルでの監督と決定のミスマッチは、分子最適化においてオラクル・イン・ザ・ループ探索を不安定にする。
分子対間の特性差の回帰は、データの効率を改善するが、オーラル・イン・ザ・ループ探索に依存し、グローバルコンテキストと変換効果を結び付け、しばしばオーラル・イン・ザ・ループ探索に頼って次の可能な編集を選択するための限定的なガイダンスを提供する。
そこで本研究では,単段階分子編集応答予測器 (SMER) と多段階計画器 (SMER-Opt) の2つの密結合成分からなる応答指向離散編集最適化手法を提案する。
このアプローチは、制約対応計画をサポートするために、編集動作よりも方向性評価モデルを学ぶ。
弱い関係の分子対を採掘し、それらの構造的差異を最小限の編集単位に分解し、エンドポイントプロパティアノテーションをプロセスレベルの監視にし、再利用可能な移動可能なアクションプリミティブを生成する。
次に、方向編集評価器は、分子を所望の特性変化へ移動させる可能性によって、実行可能な候補編集をスコアし、決定時の外部評価器クエリへの依存を大幅に低減する。
コードはhttps://anonymous.4open.science/r/SMERで入手できる。
関連論文リスト
- Reference-guided Policy Optimization for Molecular Optimization via LLM Reasoning [58.644854860003704]
大規模言語モデル(LLM)は、教師付き微調整(SFT)と、推論タスクにおける検証可能な報酬(RLVR)による強化学習の恩恵を受ける。
基準分子上の応答のみのSFTは推論を崩壊させ、RLVRは類似性制約下でスパースフィードバックを提供する。
本稿では、軌道データを必要としない参照分子から学習する最適化手法である参照誘導政策最適化(RePO)を紹介する。
論文 参考訳（メタデータ） (2026-03-06T04:39:08Z) - M^4olGen: Multi-Agent, Multi-Stage Molecular Generation under Precise Multi-Property Constraints [35.83366265234892]
textbfM olGenは、多能性制約下での分子生成のためのフラグメントレベル、検索強化、2段階のフレームワークである。
フラグメントの推論チェーンと測定されたプロパティデルタを備えたデータセットは、両方のステージを基盤とします。
2組のプロパティ制約の下での生成実験は、多目的の妥当性と正確な満足度において一貫した利得を示す。
論文 参考訳（メタデータ） (2026-01-15T07:18:05Z) - Rewiring Experts on the Fly:Continuous Rerouting for Better Online Adaptation in Mixture-of-Expert models [52.502867924372275]
Mixture-of-Experts (MoE)モデルは、スパース専門家のアクティベーションを通じて効率的なスケーリングを実現するが、デプロイメントの分散シフトによる最適以下のルーティング決定に悩まされることが多い。
我々は、外部の監視やデータなしで、テキスト生成中にMoEルーティング決定を継続的に適用するテキストタデータフリーオンラインテストタイムフレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-16T16:24:36Z) - Coder as Editor: Code-driven Interpretable Molecular Optimization [36.84386817559159]
私たちは、編集アクションを実行可能なコードに変換することによって、推論と実行をブリッジするフレームワークMECoを紹介します。
提案手法は,化学反応とターゲット特異的化合物対からのリアルな編集を再現する際の精度を98%以上向上させる。
論文 参考訳（メタデータ） (2025-10-16T08:55:06Z) - MoRA: On-the-fly Molecule-aware Low-Rank Adaptation Framework for LLM-based Multi-Modal Molecular Assistant [23.60380089071549]
そこで本研究では,各分子のインスタンス固有のパラメータ空間アライメント手法を提案する。
MoRAは入力分子グラフごとに一意に低ランク適応重みを生じる。
実験により、MoRAのインスタンス固有の動的適応は静的適応ベースラインよりも優れていることが示された。
論文 参考訳（メタデータ） (2025-10-14T07:54:43Z) - MolEditRL: Structure-Preserving Molecular Editing via Discrete Diffusion and Reinforcement Learning [4.430115182041077]
MolEditRLは、構造的制約と正確なプロパティ最適化を統合する分子編集フレームワークである。
包括的評価のために,最大かつ最も特性に富んだ分子編集データセットである MolEdit-Instruct を構築した。
論文 参考訳（メタデータ） (2025-05-26T15:29:08Z) - 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) - Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。
EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。
得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
論文 参考訳（メタデータ） (2023-12-10T15:22:30Z) - DiffStack: A Differentiable and Modular Control Stack for Autonomous
Vehicles [75.43355868143209]
DiffStackは、予測、計画、制御のための、微分可能でモジュラーなスタックです。
nuScenesデータセットの結果から,DiffStackによるエンドツーエンドトレーニングは,オープンループおよびクローズループ計画の指標を大幅に改善することが示された。
論文 参考訳（メタデータ） (2022-12-13T09:05:21Z) - 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)
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。