論文の概要: PhAME: Phenotype-Aware Molecular Editing via Latent Diffusion

• arxiv url: http://arxiv.org/abs/2605.28226v1
• Date: Wed, 27 May 2026 09:41:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.942071
• Title: PhAME: Phenotype-Aware Molecular Editing via Latent Diffusion
• Title（参考訳）: PhAME:潜在拡散によるフェノタイプ認識分子編集
• Authors: Łukasz Janisiów, Sebastian Musiał, Bartosz Zieliński, Dawid Rymarczyk, Tomasz Danel,
• Abstract要約: 小分子の薬物発見には、候補分子の多くの特性を同時に最適化する必要がある。 既存の生成方法は、2つの重要な要件を満たすことができない: 既知のヒットに構造的近接を維持しながら、所望の表現型シグネチャに対して正確なガイダンスを提供する。 我々は,この課題を克服する潜伏拡散フレームワークであるPhAMEを紹介し,事前学習されたグラフベースVAEの潜伏空間における編集として分子最適化を再キャストする。
• 参考スコア（独自算出の注目度）: 4.228005589251129
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Small-molecule drug discovery requires simultaneous optimization of numerous properties of candidate molecules. These properties can be investigated through the analysis of high-dimensional biological signatures, such as cell morphology and transcriptomic perturbations, which provide a rich perspective on the underlying biological mechanisms. However, existing generative methods, which use those signatures for optimization, fail to meet two key requirements: providing precise guidance toward desired phenotypic signatures while maintaining structural proximity to a known hit. We introduce PhAME (Phenotype-Aware Molecular Editing), a latent diffusion framework that overcomes this challenge by recasting molecular optimization as editing in the latent space of a pretrained graph-based VAE. Our central contribution is a compositional classifier-free guidance scheme with two independent scales, one for the phenotype-conditioning and one for similarity to the seed structure, allowing practitioners to control the tradeoff between these two objectives. Empirical evaluations across diverse benchmarks, including docking score optimization and multimodal phenotypic generation, demonstrate that PhAME achieves state-of-the-art results while maintaining high chemical validity and novelty.
• Abstract（参考訳）: 小分子の薬物発見には、候補分子の多くの特性を同時に最適化する必要がある。 これらの性質は、細胞形態学やトランスクリプトーム摂動といった高次元の生物学的シグネチャの分析を通じて研究され、基礎となる生物学的メカニズムについて深い視点を提供することができる。 しかし、これらのシグネチャを最適化するために使用する既存の生成方法は、2つの重要な要件を満たすことができない。 PhAME(Phenotype-Aware Molecular Editing)は,事前学習されたグラフベースVAEの潜伏空間における編集として分子最適化を再キャストすることで,この問題を克服する潜伏拡散フレームワークである。 本研究の中心的貢献は,表現型条件と種構造に類似した2つの独立した尺度を持つ構成型分類器フリー指導スキームであり,これらの2つの目的間のトレードオフを実践者が制御できるようにする。 ドッキングスコア最適化やマルチモーダル表現型生成を含む様々なベンチマークにおける実証的な評価は、PhAMEが高い化学的妥当性と新規性を保ちながら最先端の結果を達成することを示した。

関連論文リスト

• Learning Cell-Aware Hierarchical Multi-Modal Representations for Robust Molecular Modeling [74.25438319700929]
  分子と細胞応答の局所的グローバル依存性をモデル化する堅牢なフレームワークであるCHMR(Cell-aware Hierarchical Multi-modal Representations)を提案する。 728タスクにまたがる9つの公開ベンチマークで評価され、CHMRは最先端のベースラインを上回っている。 その結果, 階層認識型マルチモーダル学習による分子表現の信頼性, 生物学的基盤化の利点が示された。
  論文  参考訳（メタデータ） (2025-11-26T07:15:00Z)
• Diffusion Models at the Drug Discovery Frontier: A Review on Generating Small Molecules versus Therapeutic Peptides [6.436002724512122]
  拡散モデルは、生成モデリングにおける主要なフレームワークとして現れている。 本総説は, 小分子と治療ペプチドの2つの主要な治療モダリティを設計する上で, それらの応用を体系的に比較したものである。 我々は、これらのモダリティ固有のギャップを埋めて、それらを自動でクローズドループなデザイン-ビルド-テスト-ラーンプラットフォームに統合することで、拡散モデルの完全な可能性を解き放つと結論付けた。
  論文  参考訳（メタデータ） (2025-10-31T19:11:41Z)
• AdaptMol: Adaptive Fusion from Sequence String to Topological Structure for Few-shot Drug Discovery [7.338199946027998]
  本稿では,Adaptive Multimodal fusion for representationを組み込んだプロトタイプネットワークであるAdaptMolを提案する。 このフレームワークは、グローバルおよび局所的な分子的特徴を動的に統合するための二重レベルアテンション機構を用いる。 5ショットと10ショット設定で一般的に使用される3つのベンチマークの実験は、AdaptMolが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-05-17T07:12:12Z)
• 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)
• Molecule Design by Latent Prompt Transformer [76.2112075557233]
  本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。 本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-27T03:33:23Z)
• SE(3)-Invariant Multiparameter Persistent Homology for Chiral-Sensitive Molecular Property Prediction [1.534667887016089]
  多パラメータ持続ホモロジー(MPPH)を用いた新しい分子指紋生成法を提案する。 この技術は、正確な分子特性予測が不可欠である薬物発見と材料科学において、かなりの重要性を持っている。 分子特性の予測における既存の最先端手法よりも優れた性能を示し,MoleculeNetベンチマークで広範囲な評価を行った。
  論文  参考訳（メタデータ） (2023-12-12T09:33:54Z)
• Diffusing on Two Levels and Optimizing for Multiple Properties: A Novel Approach to Generating Molecules with Desirable Properties [33.2976176283611]
  本稿では,分子を望ましい性質で生成する新しい手法を提案する。 望ましい分子断片を得るため,我々は新しい電子効果に基づくフラグメンテーション法を開発した。 提案手法により生成する分子は, 従来のSOTAモデルより有効, 特異性, 新規性, Fr'echet ChemNet Distance (FCD), QED, PlogP を有することを示す。
  論文  参考訳（メタデータ） (2023-10-05T11:43:21Z)
• Molecular Attributes Transfer from Non-Parallel Data [57.010952598634944]
  分子最適化をスタイル伝達問題として定式化し、非並列データの2つのグループ間の内部差を自動的に学習できる新しい生成モデルを提案する。 毒性修飾と合成性向上という2つの分子最適化タスクの実験により,本モデルがいくつかの最先端手法を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2021-11-30T06:10:22Z)
• Optimizing Molecules using Efficient Queries from Property Evaluations [66.66290256377376]
  汎用的なクエリベースの分子最適化フレームワークであるQMOを提案する。 QMOは効率的なクエリに基づいて入力分子の所望の特性を改善する。 QMOは, 有機分子を最適化するベンチマークタスクにおいて, 既存の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-11-03T18:51:18Z)

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。