論文の概要: Fine-tuning Pocket-Aware Diffusion Models via Denoising Policy Optimization

• arxiv url: http://arxiv.org/abs/2605.17693v1
• Date: Sun, 17 May 2026 23:21:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 23:51:08.396821
• Title: Fine-tuning Pocket-Aware Diffusion Models via Denoising Policy Optimization
• Title（参考訳）: 復調ポリシ最適化による細調整ポケット対応拡散モデル
• Authors: Yuan Xue, Daniel Kudenko, Megha Khosla,
• Abstract要約: 本稿では,事前学習したポケット・アウェア拡散モデルを微調整するための新しい構造に基づく分子最適化(SBMO)手法であるDEPPAを提案する。 DEPPAは、結合親和性、薬物類似性、合成可能性、多様性など、複数の特性の最適化を可能にする。
• 参考スコア（独自算出の注目度）: 6.296632663190645
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Structure-based drug design has been accelerated by pocket-aware 3D generative models, yet most methods primarily fit the training distribution and may fall short of satisfying multiple properties required in real-world therapeutic drug discovery. Recently, increasing attention has focused on structure-based molecule optimization (SBMO), which targets fine-grained control over multiple specified molecular properties. In this paper, we present DEPPA, a novel SBMO approach building upon Denoising Diffusion Policy Optimization for fine-tuning a pre-trained pocket-aware diffusion model via reinforcement learning. DEPPA enables optimization over multiple properties, including binding affinity, drug-likeness, synthesizability and diversity. We formulate the reverse denoising process of the pretrained pocket-aware diffusion model as a multi-step Markov Decision Process, where the desired properties that serve as reward signals are evaluated on the final generated ligand molecules. DEPPA incorporates a coarse denoising scheduler during the RL fine-tuning to achieve efficient and effective molecule optimization. Experimental results on the CrossDocked2020 benchmark demonstrate that DEPPA outperforms baselines in binding affinity (Vina Score -8.5 kcal/mol), drug-likeness and diversity while exhibiting competitive performance in synthesizability. The source code is available at https://github.com/xy9485/DePPA .
• Abstract（参考訳）: 構造に基づく薬物設計はポケット対応の3D生成モデルによって加速されているが、ほとんどの方法はトレーニング分布に適合し、現実の薬物発見に必要な複数の特性を満たすには不十分である。 近年, 構造に基づく分子最適化 (SBMO) が注目されている。 本稿では,Denoising Diffusion Policy Optimizationに基づく新しいSBMOアプローチであるDEPPAを提案する。 DEPPAは、結合親和性、薬物類似性、合成可能性、多様性など、複数の特性の最適化を可能にする。 多段階マルコフ決定過程として、予め訓練されたポケット・アウェア拡散モデルの逆復調過程を定式化し、最終生成配位子分子上で、報酬信号として機能する所望の特性を評価する。 DEPPAは、RL微調整中に粗い偏極スケジューラを組み込んで、効率的で効率的な分子最適化を実現する。 CrossDocked2020ベンチマークの実験結果によると、DEPPAは結合親和性(Vina Score -8.5 kcal/mol)、薬物類似性、多様性において基線よりも優れ、合成性では競合性能を示す。 ソースコードはhttps://github.com/xy9485/DePPAで入手できる。

関連論文リスト

• Pretrained Joint Predictions for Scalable Batch Bayesian Optimization of Molecular Designs [1.3505106522886807]
  バッチベイズ最適化における結合親和性のスケーラブルな確率的サロゲートを得る方法を示す。 これにより、設計間のヘッジと、それらを近似するために共同予測密度から素早くサンプリングする能力の並列取得関数が要求される。 この研究の鍵となるのは、ENNにおける先行ネットワークの重要性と、下流のパフォーマンスを改善するために合成データでそれらを事前訓練する方法の調査である。
  論文  参考訳（メタデータ） (2025-11-13T18:26:58Z)
• Iterative Distillation for Reward-Guided Fine-Tuning of Diffusion Models in Biomolecular Design [58.8094854658848]
  生体分子設計における報酬誘導生成のための微調整拡散モデルの問題に対処する。 本稿では,拡散モデルによる任意の報酬関数の最適化を可能にする,反復蒸留に基づく微調整フレームワークを提案する。 KLの発散最小化と相まって,既存のRL法と比較してトレーニングの安定性とサンプル効率を向上させる。
  論文  参考訳（メタデータ） (2025-07-01T05:55:28Z)
• A 3D pocket-aware and affinity-guided diffusion model for lead optimization [15.437706611144208]
  Diffleopという3次元ポケット認識および親和性誘導拡散モデルを提案し,結合親和性を高めた分子を最適化する。 このモデルは、タンパク質-リガンド結合親和性の知識を明示的に取り入れ、高い親和性を持つ分子生成のための脱ノイズサンプリングを導く。
  論文  参考訳（メタデータ） (2025-04-29T11:52:42Z)
• Decomposed Direct Preference Optimization for Structure-Based Drug Design [47.561983733291804]
  本稿では,拡散モデルと医薬的ニーズを整合させる構造に基づく最適化手法であるDecompDPOを提案する。 DecompDPOは、様々なタンパク質ファミリーにまたがる分子生成のための微調整済み拡散モデルと、生成後に特定のタンパク質サブポケットを与える分子最適化の2つの主要な目的のために効果的に使用できる。
  論文  参考訳（メタデータ） (2024-07-19T02:12:25Z)
• Aligning Target-Aware Molecule Diffusion Models with Exact Energy Optimization [147.7899503829411]
  AliDiffは、事前訓練されたターゲット拡散モデルと望ましい機能特性を整合させる新しいフレームワークである。 最先端の結合エネルギーを持つ分子を最大7.07 Avg. Vina Scoreで生成することができる。
  論文  参考訳（メタデータ） (2024-07-01T06:10:29Z)

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。