論文の概要: Sesame: Structure-Aware Molecular Generation via Spatial Density-Map Conditioning

• arxiv url: http://arxiv.org/abs/2606.23856v1
• Date: Mon, 22 Jun 2026 18:48:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.626992
• Title: Sesame: Structure-Aware Molecular Generation via Spatial Density-Map Conditioning
• Title（参考訳）: Sesame:空間密度マップコンディショニングによる構造認識分子生成
• Authors: Konstantin Yatsenko, Arvind Thiagarajan,
• Abstract要約: 本稿では拡散型分子生成モデルであるSesameを紹介する。 textitde novo生成とフラグメント条件付きリード最適化をサポートする。 セサマは大規模なコーパスで訓練されている。 リガンドのみおよびタンパク質リガンドデータセット。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative molecular models for drug design are a promising direction with much active research. In the next phase of computational drug design, such models will need to understand small molecule structure and protein-ligand interactions, and they will need to possess the machinery to generate molecules \textit{de novo}. Incorporating each feature poses a critical challenge. Equally important, yet often treated as secondary, is the ability to grow a molecule from a partial starting point -- a scaffold or fragment supplied by a chemist -- which is the central operation of lead optimization. We present Sesame (Spatial Evoformer for a Structure-Aware Molecular Engine), a diffusion-based molecular generation model that leverages a novel spatial pairformer module to condition on partial molecular structure and the surrounding protein pocket, both expressed as continuous spatial density maps. This single conditioning mechanism supports both \textit{de novo} generation and fragment-conditioned lead optimization, letting a medicinal chemist prune a hit to a scaffold and have Sesame grow it in productive ways. In addition to this module, we also introduce a diffusion framework for joint denoising of atom types, bond types, and positions, along with a trajectory finetuning scheme that trains on the model's own sampling rollouts to improve generation quality. Sesame is trained on a large corpus of ligand-only and protein-ligand datasets.
• Abstract（参考訳）: 薬物設計のための生成分子モデルは、非常に活発な研究で有望な方向である。 計算薬物設計の次の段階において、そのようなモデルは小さな分子構造とタンパク質-リガンド相互作用を理解する必要があり、それらが分子を生成するための機械を保持する必要がある。 それぞれの機能を組み込むことは、重大な課題となる。 同様に重要なことは、しばしば二次的として扱われるが、鉛最適化の中心的な操作である部分的な出発点(化学者が供給する足場または断片)から分子を成長させる能力である。 本稿では,空間密度マップとして表現される部分分子構造と周辺タンパク質ポケットの条件に,新しい空間ペアフォーマモジュールを利用する拡散型分子生成モデルであるSesameについて述べる。 この単一の条件付け機構は、textit{de novo}生成とフラグメント条件付き鉛最適化の両方をサポートし、薬理学者が足場にヒットを与え、Sesameを生産的に成長させる。 このモジュールに加えて、原子タイプ、結合タイプ、位置を共同で識別するための拡散フレームワークと、モデル自身のサンプリングロールアウトをトレーニングして生成品質を向上させる軌道微調整スキームも導入する。 Sesameは、リガンドのみおよびタンパク質リガンドデータセットの大きなコーパスで訓練されている。

関連論文リスト

• 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)
• Molecule Generation for Target Protein Binding with Hierarchical Consistency Diffusion Model [17.885767456439215]
  Atom-Motif Consistency Diffusion Model (AMDiff)は、分子の原子レベルのビューとモチーフレベルのビューを統合する階層的な拡散アーキテクチャである。 既存のアプローチと比較して、AMDiffは様々なタンパク質ポケットに適合するように調整された分子の生成において、優れた妥当性と新規性を示す。
  論文  参考訳（メタデータ） (2025-03-02T17:54:30Z)
• AUTODIFF: Autoregressive Diffusion Modeling for Structure-based Drug Design [16.946648071157618]
  構造に基づく薬物設計のための拡散型フラグメントワイド自己回帰生成モデル(SBDD)を提案する。 我々はまず,分子の局所構造の整合性を保持する共形モチーフという新しい分子組立戦略を設計する。 次に、タンパク質-リガンド複合体とSE(3)等価な畳み込みネットワークとの相互作用をエンコードし、拡散モデルを用いて分子モチーフ・バイ・モチーフを生成する。
  論文  参考訳（メタデータ） (2024-04-02T14:44:02Z)
• DecompDiff: Diffusion Models with Decomposed Priors for Structure-Based Drug Design [62.68420322996345]
  既存の構造に基づく薬物設計法は、すべての配位子原子を等しく扱う。 腕と足場を分解した新しい拡散モデルDecompDiffを提案する。 提案手法は,高親和性分子の生成における最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-02-26T05:21:21Z)
• Molecule Design by Latent Space Energy-Based Modeling and Gradual Distribution Shifting [53.44684898432997]
  化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。 本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。 本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
  論文  参考訳（メタデータ） (2023-06-09T03:04:21Z)
• 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)
• An Equivariant Generative Framework for Molecular Graph-Structure Co-Design [54.92529253182004]
  分子グラフ構造アンダーラインCo設計のための機械学習ベースの生成フレームワークであるMollCodeを提案する。 MolCodeでは、3D幾何情報によって分子2Dグラフの生成が促進され、それによって分子3D構造の予測が導かれる。 分子設計における2次元トポロジーと3次元幾何は本質的に相補的な情報を含んでいることが明らかとなった。
  論文  参考訳（メタデータ） (2023-04-12T13:34:22Z)
• Modeling Molecular Structures with Intrinsic Diffusion Models [2.487445341407889]
  本論文は本質的拡散モデリングを提案する。 拡散生成モデルと生物学的複合体の柔軟性に関する科学的知識を組み合わせる。 計算化学と生物学に基づく2つの基本的な課題に対して,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-02-23T03:26:48Z)
• Retrieval-based Controllable Molecule Generation [63.44583084888342]
  制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。 我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。 提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
  論文  参考訳（メタデータ） (2022-08-23T17:01:16Z)

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。