論文の概要: Geometric Flow Matching for Molecular Conformation Generation via Manifold Decomposition

• arxiv url: http://arxiv.org/abs/2605.25577v1
• Date: Mon, 25 May 2026 08:30:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:19.473976
• Title: Geometric Flow Matching for Molecular Conformation Generation via Manifold Decomposition
• Title（参考訳）: マニフォールド分解による分子コンフォーメーション生成のための幾何学的フローマッチング
• Authors: Yunqing Liu, Yi Zhou, Wenqi Fan,
• Abstract要約: 正確な3次元分子配座の生成は、計算化学と薬物発見において重要な課題である。 本稿では,生成モデルと分子幾何学を多様体分解により整合させるGO-Flowを提案する。 提案手法により,50ステップ以内の高忠実度サンプリングが可能となり,構造精度と計算効率のギャップを効果的に埋めることができる。
• 参考スコア（独自算出の注目度）: 18.371474900925865
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The generation of accurate 3D molecular conformations is a pivotal challenge in computational chemistry and drug discovery. Recently, diffusion and flow matching models have achieved remarkable success. However, there is a critical misalignment between their mathematical formulation and the physical reality of molecules. Existing approaches predominantly treat molecules as unstructured point clouds in Cartesian space, overlooking the intrinsic hierarchical mechanics where bond lengths and bond angles are relatively stiff, whereas torsion angles constitute the dominant flexible degrees of freedom. This lack of manifold awareness forces models to relearn fundamental geometric constraints from scratch, often leading to physically implausible intermediate structures. To address this, we propose GO-Flow that aligns generative modeling with molecular geometry via manifold decomposition. Instead of forcing motion through Euclidean space, GO-Flow decomposes the generation process into three physically motivated subspaces: translation space with linear optimal transport, rotation space with geodesic flows on $SO(3)$, and conformation space with entropic optimal transport. This decomposition injects geometric inductive biases and makes the generative paths better aligned with molecular degrees of freedom. When combined with equivariant neural architectures, it encourages rotation-consistent generation and improves geometric validity. Extensive experiments on GEOM-Drugs and GEOM-QM9 demonstrate that GO-Flow achieves state-of-the-art generation quality. Notably, by learning straighter probability paths on the correct manifolds naturally, our method enables high-fidelity sampling with as few as 50 steps, effectively bridging the gap between structural precision and computational efficiency.
• Abstract（参考訳）: 正確な3次元分子配座の生成は、計算化学と薬物発見において重要な課題である。 近年,拡散モデルと流れマッチングモデルが顕著な成功を収めている。 しかし、それらの数学的定式化と分子の物理的現実の間には批判的な誤りがある。 既存のアプローチは主に、分子をカルト空間の非構造点雲として扱い、結合長と結合角が比較的硬い固有の階層力学を見渡すが、ねじれ角は支配的な自由度を構成する。 この多様体認識の欠如は、モデルに基本的な幾何学的制約をスクラッチから引き起こすことを強制し、しばしば物理的に不可解な中間構造に繋がる。 そこで本研究では, 生成モデルと分子幾何学を多様体分解により整合させるGO-Flowを提案する。 GO-Flowはユークリッド空間を通して運動を強制する代わりに、生成過程を3つの物理的動機付けされた部分空間に分解する:線形最適輸送を持つ変換空間、SO(3)$の測地流を持つ回転空間、エントロピー最適輸送を持つコンフォメーション空間である。 この分解は幾何学的帰納バイアスを注入し、生成経路を分子自由度に整合させる。 等変ニューラルアーキテクチャと組み合わせると、回転一貫性の生成が促進され、幾何学的妥当性が向上する。 GEOM-DrugsとGEOM-QM9の大規模な実験は、GO-Flowが最先端の生成品質を達成することを示した。 特に,正しい多様体上のより直線的な確率経路を自然に学習することにより,50ステップ以内の高忠実度サンプリングが可能となり,構造精度と計算効率のギャップを効果的に埋めることができる。

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)
• FlowMol3: Flow Matching for 3D De Novo Small-Molecule Generation [0.0]
  FlowMol3はオープンソースのマルチモーダルフローマッチングモデルで、全原子、小分子生成のための最先端技術である。 本研究は,拡散型および流動型分子生成モデルの安定性と品質を向上させるための,単純かつ伝達可能な戦略を強調した。
  論文  参考訳（メタデータ） (2025-08-18T05:13:27Z)
• 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)
• LMDM:Latent Molecular Diffusion Model For 3D Molecule Generation [6.720821935934759]
  本稿では,3次元分子を多様性に富み,リッチな幾何学的特徴を維持できる潜在分子拡散モデルを提案する。 このモデルは、原子間の力と局所的な制約の情報を取り込んで、生成した分子がユークリッド変換を維持する。 実験では, 生成した試料の品質とモデル収束速度を大幅に改善した。
  論文  参考訳（メタデータ） (2024-12-05T15:25:18Z)
• Geometric Trajectory Diffusion Models [58.853975433383326]
  生成モデルは3次元幾何学システムの生成において大きな可能性を示してきた。 既存のアプローチは静的構造のみで動作し、物理系は常に自然界において動的であるという事実を無視する。 本研究では3次元軌跡の時間分布をモデル化する最初の拡散モデルである幾何軌道拡散モデル(GeoTDM)を提案する。
  論文  参考訳（メタデータ） (2024-10-16T20:36:41Z)
• Geometric Latent Diffusion Models for 3D Molecule Generation [172.15028281732737]
  生成モデル、特に拡散モデル(DM)は、特徴豊富な測地を生成する上で有望な結果を得た。 我々はGeoLDM(Geometric Latent Diffusion Models)と呼ばれる新しい3次元分子生成法を提案する。
  論文  参考訳（メタデータ） (2023-05-02T01:07:22Z)
• MUDiff: Unified Diffusion for Complete Molecule Generation [104.7021929437504]
  本稿では,原子の特徴,2次元離散分子構造,および3次元連続分子座標を含む分子の包括的表現を生成する新しいモデルを提案する。 拡散過程を認知するための新しいグラフトランスフォーマーアーキテクチャを提案する。 我々のモデルは、安定で多様な分子を設計するための有望なアプローチであり、分子モデリングの幅広いタスクに適用できる。
  論文  参考訳（メタデータ） (2023-04-28T04:25:57Z)
• GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
  分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。 既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。 エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
  論文  参考訳（メタデータ） (2021-06-08T14:17:59Z)

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。