論文の概要: Reading the Cell, Designing the Cure: Perturbation-Conditioned Molecular Diffusion for Function-Oriented Drug Design

• arxiv url: http://arxiv.org/abs/2605.15243v1
• Date: Thu, 14 May 2026 07:17:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.031041
• Title: Reading the Cell, Designing the Cure: Perturbation-Conditioned Molecular Diffusion for Function-Oriented Drug Design
• Title（参考訳）: 細胞を読み, キュアを設計する: 機能指向医薬品設計のための摂動型分子拡散
• Authors: Ziyu Xu, Zijian Zhang, Liang Wang, Zhiyuan Liu, Qiang Liu, Shu Wu, Liang Wang,
• Abstract要約: 生成的逆問題としてemphTranscriptome-based Drug Design (TBDD) を定式化した。 textbfthemodel (A textbfCelltextbfUlar textbfResponse textbfEngine) を提案する。
• 参考スコア（独自算出の注目度）: 44.10737234024424
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: When reliable target structures are unavailable at scale or phenotypes arise from dysregulated pathways, transcriptomic perturbations provide a system-level functional readout for drug action. In this work, we formalize \emph{Transcriptome-based Drug Design (TBDD)} as a generative inverse problem: designing drug molecules conditioned on desired transcriptomic state transitions. We analyze the inherently ill-posed nature of this task, which is further complicated by the profound domain gap between biology and chemistry and by the sparsity of transcriptomic signals. To address these challenges, we propose \textbf{\themodel{}} (A \textbf{C}ell\textbf{U}lar \textbf{R}esponse \textbf{E}ngine), a multi-resolution transcriptome-guided diffusion framework. \themodel{} features a specialized \textbf{Transcriptome Perturbation Functional Feature Extractor (TFE)} that (1) distills function-oriented perturbation embeddings from pre/post states, (2) aligns these signatures to dual chemical views to bridge the cross-modal gap, and (3) performs heterogeneity-aware aggregation to extract robust state-specific signals from noisy transcriptomic data. Extensive evaluations on both standard benchmarks and rigorous out-of-distribution protocols demonstrate that \themodel{} consistently outperforms strong baselines in structural quality and functional consistency. Furthermore, we validate its practical utility via a zero-shot gene-inhibitor design task, highlighting the potential of phenotype-driven generative discovery.
• Abstract（参考訳）: 信頼性の高い標的構造がスケールで利用できない場合や、不規則な経路から表現型が生じる場合、転写的摂動は、薬物作用のためのシステムレベルの機能的読み出しを提供する。 本研究では,所望のトランスクリプトーム状態遷移を条件とした薬物分子を設計する,生成的逆問題として \emph{Transcriptome-based Drug Design (TBDD) を定式化した。 本研究は,生物と化学の深い領域ギャップや転写信号の空間性によってさらに複雑になる,本課題の本質的不適切な性質を解析する。 これらの課題に対処するため、多分解能トランスクリプトーム誘導拡散フレームワークである \textbf{\themodel{}} (A \textbf{C}ell\textbf{U}lar \textbf{R}esponse \textbf{E}ngine)を提案する。 これは(1)関数指向の摂動埋め込みをプレ/ポスト状態から蒸留し、(2)これらのシグネチャを二重化学ビューにアライメントしてクロスモーダルギャップをブリッジし、(3)ノイズのあるトランスクリプトムデータから堅牢な状態固有信号を抽出するヘテロジニティ・アウェア・アグリゲーションを実行する。 標準ベンチマークと厳密なアウト・オブ・ディストリビューションプロトコルの双方に対する広範囲な評価は、構造的品質と機能的整合性の強いベースラインを一貫して上回っていることを示している。 さらに、ゼロショット遺伝子インヒビター設計タスクにより、その実用性を検証し、表現型駆動型遺伝子発見の可能性を強調した。

関連論文リスト

• HistDiT: A Structure-Aware Latent Conditional Diffusion Model for High-Fidelity Virtual Staining in Histopathology [3.5196641463125]
  HistDiTアーキテクチャは、仮想組織学的染色における視覚的忠実性の新たなベンチマークを確立する。 本モデルでは,厳密な定量的および定性的評価により,既存のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2026-04-09T14:39:37Z)
• Empowering Chemical Structures with Biological Insights for Scalable Phenotypic Virtual Screening [13.925550352212412]
  本研究は,本質的な生物学的意味論による化学表現の強化によりギャップを橋渡しするフレームワークであるDECODEを提案する。 以上の結果からDECODEは, 作用機構予測において, 化学的ベースラインよりも20%以上の相対的な改善を施し, ゼロショット設定で機能的に類似した薬物を回収できることが示唆された。
  論文  参考訳（メタデータ） (2026-03-16T09:13:08Z)
• LaPro-DTA: Latent Dual-View Drug Representations and Salient Protein Feature Extraction for Generalizable Drug--Target Affinity Prediction [6.065808462922399]
  既存の手法は、現実的なコールドスタートシナリオにおいて大きなパフォーマンス劣化に悩まされる。 堅牢で一般化可能なDTA予測を実現するためのフレームワークであるLaPro-DTAを提案する。
  論文  参考訳（メタデータ） (2026-03-16T03:46:51Z)
• Co-Diffusion: An Affinity-Aware Two-Stage Latent Diffusion Framework for Generalizable Drug-Target Affinity Prediction [19.66162559968931]
  Co-DiffusionはDTA予測を再定義する新しいフレームワークである。 我々は,Co-Diffusionが最先端のベースラインを著しく上回ることを示す。
  論文  参考訳（メタデータ） (2026-03-11T14:47:58Z)
• Unlasting: Unpaired Single-Cell Multi-Perturbation Estimation by Dual Conditional Diffusion Implicit Bridges [68.98973318553983]
  本稿では,Dual Diffusion Implicit Bridges (DDIB) に基づくフレームワークを提案する。 我々は、生物学的に意味のある方法で摂動シグナルを伝達するために遺伝子制御ネットワーク(GRN)情報を統合する。 また、サイレント遺伝子を予測し、生成したプロファイルの品質を向上させるためのマスキング機構も組み込んだ。
  論文  参考訳（メタデータ） (2025-06-26T09:05:38Z)
• Neuro-Symbolic Generative Diffusion Models for Physically Grounded, Robust, and Safe Generation [44.80048928651511]
  Neuro-Symbolic Diffusion (NSD)は、拡散ステップをシンボル最適化でインターリーブする新しいフレームワークである。 本稿では,ユーザ定義機能制約および論理制約の下で,確実に一貫したサンプルを生成するNSDを提案する。 この能力は,(1)非毒性分子生成と衝突のない軌道最適化の文脈における安全性,(2)薬物発見や材料工学などの領域におけるデータ不足,(3)領域外一般化の3つの課題にまたがる課題において実証される。
  論文  参考訳（メタデータ） (2025-06-01T18:58:59Z)
• Generating on Generated: An Approach Towards Self-Evolving Diffusion Models [58.05857658085845]
  再帰的自己改善(Recursive Self-Improvement、RSI)は、インテリジェンスシステムがその能力を自律的に改善することを可能にする。 本稿では、テキスト・画像拡散モデルにおけるRSIの適用について検討し、合成データによるトレーニング崩壊の課題に対処する。
  論文  参考訳（メタデータ） (2025-02-14T07:41:47Z)
• Diffusion Model with Cross Attention as an Inductive Bias for Disentanglement [58.9768112704998]
  遠方表現学習は、観測データ内の本質的要因を抽出する試みである。 我々は新しい視点と枠組みを導入し、クロスアテンションを持つ拡散モデルが強力な帰納バイアスとなることを示す。 これは、複雑な設計を必要とせず、クロスアテンションを持つ拡散モデルの強力な解離能力を明らかにする最初の研究である。
  論文  参考訳（メタデータ） (2024-02-15T05:07:54Z)

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。