論文の概要: Genotype-Conditioned Molecular Generation via Evidence-Grounded Multi-Objective Latent Perturbation in Diffusion Models

• arxiv url: http://arxiv.org/abs/2606.01461v1
• Date: Sun, 31 May 2026 21:43:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:29.715247
• Title: Genotype-Conditioned Molecular Generation via Evidence-Grounded Multi-Objective Latent Perturbation in Diffusion Models
• Title（参考訳）: 拡散モデルにおけるEvidence-Grounded Multi-Objective Latent Perturbationによる遺伝子組換え分子生成
• Authors: Brenda Nogueira, Gisela A. Gonzalez-Montiel, Nitesh V. Chawla, Nuno Moniz,
• Abstract要約: がん遺伝子型に規定された生成モデルは、パーソナライズされた薬物発見のための有望な道を提供する。 本稿では,事前学習した遺伝子型からドラッグへの拡散モデルに対する潜在空間最適化手法を提案する。 感度, 薬物類似性, 合成性, 化学的妥当性において, 競合するベースラインよりも一貫した, 顕著な改善が見られた。
• 参考スコア（独自算出の注目度）: 28.58133087329719
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Developing effective anticancer therapeutics remains challenging due to tumor heterogeneity and the absence of well-defined molecular targets across cancer subtypes. Generative models conditioned on cancer genotypes offer a promising avenue for personalized drug discovery, yet existing approaches lack explicit optimization for simultaneous sensitivity, synthesizability, and mechanistic binding plausibility. We present a latent-space optimization approach for a pretrained genotype-to-drug diffusion model, introducing a learnable perturbation over the molecular latent space optimized via gradient ascent to maximize a composite reward combining predicted drug sensitivity (AUC), drug-likeness (QED), and synthetic accessibility (SAS). Critically, biological realism is enforced by grounding both reward design and evaluation in experimentally-derived cancer cell line data and validated pharmacologic signals, anchoring candidate generation in real-world clinical evidence. Mechanistic consistency plausibility is further assessed by a multi-agent LLM pipeline grounded in the diffusion model's attention mechanism. Experiments across 15 cancer cell lines from three held-out evaluation sets demonstrate consistent and noticeable improvements over competing baselines in sensitivity, drug-likeness, synthesizability, and chemical validity.
• Abstract（参考訳）: 抗がん剤の効果的な開発は、腫瘍の不均一性や、がんサブタイプ全体にわたって明確に定義された分子標的が欠如しているため、依然として困難である。 がん遺伝子型に規定された生成モデルは、パーソナライズされた薬物発見のための有望な道を提供するが、既存のアプローチでは、同時感受性、合成可能性、機械的結合性の明確な最適化が欠如している。 本稿では, 予測薬物感受性 (AUC) , 薬物類似性 (QED) , 合成アクセシビリティ (SAS) を組み合わせた複合報酬を最大化するために, 分子潜在空間上での学習可能な摂動を導入した。 批判的に、生物学的リアリズムは、実験由来の癌細胞株データと評価された薬理学的信号に報酬設計と評価の両方を基礎にして、現実の臨床的証拠に候補生成を固定することで実施される。 さらに,拡散モデルの注意機構を基盤とした多エージェントLLMパイプラインにより,機械的整合性の評価を行う。 3つの保留評価セットから15のがん細胞株に対する実験は、感度、薬物類似性、合成性、化学的妥当性において競合するベースラインよりも一貫して顕著に改善されている。

関連論文リスト

• Transcriptome-Conditioned Personalized De Novo Drug Generation for AML Using Metaheuristic Assembly and Target-Driven Filtering [0.0]
  急性骨髄性白血病(AML)は、その極端な分子多様性と高い再発率のために、臨床上の課題である。 本稿では,患者固有の転写学とde novo薬物発見のギャップを埋める,新しいエンドツーエンドの計算フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-24T17:39:37Z)
• Biologically Disentangled Multi-Omic Modeling Reveals Mechanistic Insights into Pan-Cancer Immunotherapy Resistance [0.9787436863401008]
  転写情報とゲノムデータを統合する深層生成モデルであるBDVAE(Biologically Disentangled Variational Autoencoder)を導入する。 366人のパン・カンサー・コホートに適用すると、BDVAEは治療反応を正確に予測する。 免疫抑制、代謝シフト、神経シグナル伝達などの重要な抵抗機構を明らかにする。
  論文  参考訳（メタデータ） (2025-08-26T03:33:56Z)
• 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)
• 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)
• Interpretable Graph Kolmogorov-Arnold Networks for Multi-Cancer Classification and Biomarker Identification using Multi-Omics Data [36.92842246372894]
  Multi-Omics Graph Kolmogorov-Arnold Network (MOGKAN)は、メッセンジャーRNA、マイクロRNA配列、DNAメチル化サンプルを利用するディープラーニングフレームワークである。 グラフに基づく深層学習とマルチオミクスデータを統合することにより,提案手法は頑健な予測性能と解釈可能性を示す。
  論文  参考訳（メタデータ） (2025-03-29T02:14:05Z)
• Generating crossmodal gene expression from cancer histopathology improves multimodal AI predictions [1.0225653612678713]
  デジタル病理組織学から合成されたゲノム表現は,がんの診断と生存リスクを高い精度で予測する。 PathGenコードはGitHubのhttps://github.com/Samiran-Dey/PathGen.comで研究コミュニティから公開されている。
  論文  参考訳（メタデータ） (2025-02-01T21:28:30Z)
• 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)
• Accelerating Antimicrobial Discovery with Controllable Deep Generative Models and Molecular Dynamics [109.70543391923344]
  CLaSS(Controlled Latent attribute Space Smpling)は、分子の属性制御のための効率的な計算手法である。 深層学習分類器と原子論シミュレーションから得られた新しい特徴を併用して, 生成分子を付加的なキー属性としてスクリーニングする。 提案手法は, 強い広帯域能を有する非毒性抗菌性ペプチド(AMP)を設計するためのものである。
  論文  参考訳（メタデータ） (2020-05-22T15:57:58Z)

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。