論文の概要: Don't Retrain, Just Reuse: Recovering Dual-Target Molecules from Single-Target Diffusion Models

• arxiv url: http://arxiv.org/abs/2605.25681v1
• Date: Mon, 25 May 2026 10:39:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:19.740059
• Title: Don't Retrain, Just Reuse: Recovering Dual-Target Molecules from Single-Target Diffusion Models
• Title（参考訳）: 再トレーニングしないで、再利用:単一ターゲット拡散モデルからデュアルターゲット分子を回収する
• Authors: Qingyuan Zeng, Pengxiang Cai, Zixin Guan, Ziyang Chen, Anglin Liu, Lang Qin, Xinyao Lai, Jintai Chen,
• Abstract要約: 既存のデュアルターゲット生成法は、ジェネレータを再訓練するか、サンプリング中に拡散過程に介入することによって、デュアルターゲット機能を導入する。 両ターゲット親和性, 化学的品質, 多様性を強制するために, 対条件探索と構造化多段階選択を組み合わせた階層的進化的入力空間探索フレームワークREUSEを提案する。
• 参考スコア（独自算出の注目度）: 20.421741889749573
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Designing a single molecule that modulates two targets is a promising strategy for polypharmacology, but it remains substantially harder than standard single-target generation because one candidate must satisfy two binding requirements while preserving drug-likeness and synthesizability. Existing dual-target generative methods typically introduce dual-target capability by either retraining the generator or intervening in the diffusion process during sampling. The former can be costly and difficult to stabilize when dual-target supervision is sparse, while the latter may be sensitive to denoising-time target balancing and competing update directions. These limitations motivate a generator-preserving alternative that keeps the pretrained prior intact: can dual-target candidates instead be recovered from the input space of a frozen single-target diffusion model, without modifying its parameters or denoising dynamics? We formulate this task as a constrained multi-objective optimization problem and propose REUSE, a hierarchical evolutionary input-space search framework that combines pair-conditioned exploration with structured multi-stage selection to enforce dual-target affinity, chemical quality, and diversity. Experiments show that, compared with methods that modify the diffusion process, REUSE consistently improves dual-target affinity and balance, achieving a 20.9-percentage-point gain in Dual High Affinity over the strongest prior baseline while maintaining competitive molecular quality.
• Abstract（参考訳）: 2つの標的を調節する単一の分子を設計することは、多薬理学にとって有望な戦略であるが、1つの候補が薬物類似性と合成性を維持しながら2つの結合要件を満たす必要があるため、標準の単一ターゲット生成よりもはるかに難しい。 既存の二重ターゲット生成法は典型的には、ジェネレータを再訓練するか、サンプリング中に拡散過程に介入することによって二重ターゲット機能を導入する。 前者は、デュアルターゲットの監視が不十分な場合のコストと安定化が困難であり、後者はデノナイジングタイムの目標バランスと競合する更新方向に敏感である。 これらの制限は、事前にトレーニングされた状態を維持するジェネレータ保存の代替手段を動機付けている。代わりに、凍結された単一ターゲット拡散モデルの入力空間から、パラメータを変更したり、ダイナミクスを飾ったりすることなく、デュアルターゲット候補を復元できるのか? 本稿では, この課題を制約付き多目的最適化問題として定式化し, 二重ターゲット親和性, 化学的品質, 多様性を強制するために, 対条件探索と構造化多段階選択を組み合わせた階層型進化的入力空間探索フレームワークREUSEを提案する。 実験により、拡散過程を変化させる手法と比較して、REUSEは双ターゲット親和性とバランスを一貫して改善し、競合する分子品質を維持しつつ、最強のベースラインに対する双高親和性において20.9パーセントの利得を達成することが示された。

関連論文リスト

• DUET: Dual-Paradigm Adaptive Expert Triage with Single-cell Inductive Prior for Spatial Transcriptomics Prediction [6.028508407069093]
  組織像から空間的に解決された遺伝子発現を推定することは空間転写学に費用対効果をもたらす。 本稿では,パラメトリック予測とメモリベース検索を共役する新しいデュアルパラダイムフレームワークDUETを提案する。
  論文  参考訳（メタデータ） (2026-05-13T20:43:29Z)
• CombiMOTS: Combinatorial Multi-Objective Tree Search for Dual-Target Molecule Generation [8.288411013805648]
  CombiMOTSは二重ターゲット分子を生成するフレームワークである。 CombiMOTSは、高いドッキングスコア、多様性の向上、バランスの取れた薬理特性を持つ新規な二重ターゲット分子を生産する。
  論文  参考訳（メタデータ） (2026-04-25T13:44:34Z)
• 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)
• DiffusionDriveV2: Reinforcement Learning-Constrained Truncated Diffusion Modeling in End-to-End Autonomous Driving [65.7087560656003]
  エンドツーエンドの自動運転のための生成拡散モデルは、しばしばモード崩壊に悩まされる。 強化学習を利用して低品質モードを制約し,優れた軌道探索を行うDiffusionDriveV2を提案する。 これにより、そのコアであるガウス混合モデル固有の多重モード性を維持しながら、全体的な出力品質が大幅に向上する。
  論文  参考訳（メタデータ） (2025-12-08T17:29:52Z)
• Energy-Based Coarse-Graining in Molecular Dynamics: A Flow-Based Framework without Data [0.0]
  粗粒モデル(CG)は分子シミュレーションの複雑さを減らす効果的な経路を提供する。 本稿では,全原子ボルツマン分布を直接対象とするCGのための完全データフリーな生成フレームワークを提案する。 本手法はボルツマン分布のすべてのモードを捕捉し、原子配置を再構成し、自動的に物理的に意味のあるCG表現を学習することを示す。
  論文  参考訳（メタデータ） (2025-04-29T17:05:27Z)
• Model Inversion Attacks Through Target-Specific Conditional Diffusion Models [54.69008212790426]
  モデル反転攻撃(MIA)は、ターゲット分類器のトレーニングセットからプライベートイメージを再構築することを目的としており、それによってAIアプリケーションにおけるプライバシー上の懸念が高まる。 従来のGANベースのMIAは、GANの固有の欠陥と潜伏空間における最適化の偏りにより、劣った遺伝子的忠実度に悩まされる傾向にある。 これらの問題を緩和するために拡散モデル反転(Diff-MI)攻撃を提案する。
  論文  参考訳（メタデータ） (2024-07-16T06:38:49Z)
• 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)
• Protein Design with Guided Discrete Diffusion [67.06148688398677]
  タンパク質設計における一般的なアプローチは、生成モデルと条件付きサンプリングのための識別モデルを組み合わせることである。 離散拡散モデルのためのガイダンス手法であるdiffusioN Optimized Smpling (NOS)を提案する。 NOSは、構造に基づく手法の重要な制限を回避し、シーケンス空間で直接設計を行うことができる。
  論文  参考訳（メタデータ） (2023-05-31T16:31:24Z)

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。