論文の概要: Multi-Objective Molecular Generation with Frequency-Controlled Evolutionary Dynamics

• arxiv url: http://arxiv.org/abs/2606.27467v1
• Date: Thu, 25 Jun 2026 18:42:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-29 18:24:25.29126
• Title: Multi-Objective Molecular Generation with Frequency-Controlled Evolutionary Dynamics
• Title（参考訳）: 周波数制御された進化ダイナミクスを用いた多目的分子生成
• Abstract要約: SpectralMolは、化学構造をフーリエ係数のコンパクト行列として処理するアルゴリズムである。 より多くのドッキングヒットと、より多様な足場を生成しながら、競合する物理化学的特性を維持している。 結果は、周波数制御の進化力学が多目的分子設計への解釈可能、効率的、訓練不要な経路を提供するという証拠を支持する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Molecule generation methods that leverage generative models have been successfully applied to drug discovery. However, they often require extensive pre-training, suffer statistical biases in the training data, and might suffer from limited interpretability of generated chemical structures. In this work, we introduce SpectralMol, an algorithm based on evolutionary computation that processes chemical structures as a compact matrix of Fourier coefficients, projected onto a fixed basis to generate position-wise latent vectors for SELFIES decoding. The NSGA-II algorithm enforces diversity and enable separate objective functions rather than collapsed objectives into a scalar reward. The quality of the algorithm was tested against standardized benchmarks. The results show comparable aggregate benchmark performance with a task-dependent profile: SpectralMol is strongest on several multi-parameter optimization tasks. The same benchmark was used to perform an ablation study to demonstrate the advantages of a structured latent matrix. Finally, method was tested on a realistic ClpP-targeted drug-discovery benchmark, comparing it with the reinforcement-learning-based model under a fixed oracle-call budget. SpectralMol generates more docking hits and more diverse scaffolds while maintaining competitive physicochemical properties. The representation adopted in this work can cleanly separates scaffold-level modifications from localized substructure variations, as the former occur with perturbations of low-frequency Fourier modes and the latter with perturbations of high-frequency Fourier modes. The results support the evidence that frequency-controlled evolutionary dynamics provide an interpretable, efficient, and training-free route to multi-objective molecular design.
• Abstract（参考訳）: 生成モデルを利用した分子生成法は、薬物発見に成功している。 しかし、それらは大規模な事前学習を必要とし、トレーニングデータに統計的バイアスを被り、生成された化学構造の限定的な解釈可能性に悩まされる。 本研究では,化学構造をフーリエ係数のコンパクト行列として処理する進化計算に基づくアルゴリズムであるSpectralMolを導入し,SELFIESデコーディングのための位置対応潜時ベクトルを生成する。 NSGA-IIアルゴリズムは多様性を強制し、崩壊した目的よりも別々の目的関数をスカラー報酬にすることができる。 アルゴリズムの品質は、標準化されたベンチマークに対してテストされた。 SpectralMolは、複数のマルチパラメータ最適化タスクで最強である。 同じベンチマークを用いて、構造化潜在行列の利点を示すアブレーション実験を行った。 最後に、ClpPをターゲットとしたドラッグ発見ベンチマークで、固定のオラクルコール予算の下で強化学習ベースのモデルと比較した。 SpectralMolは、競争力のある物理化学的特性を維持しながら、より多くのドッキングヒットとより多様な足場を生成する。 前者は低周波フーリエモードの摂動、後者は高周波フーリエモードの摂動、後者は高周波フーリエモードの摂動で発生する。 この結果は、周波数制御の進化力学が多目的分子設計への解釈可能、効率的、訓練不要な経路を提供するという証拠を支持する。

関連論文リスト

• Fine-Tuning Diffusion Models for Molecular Generation via Reinforcement Learning and Fast Sampling [22.66917124518062]
  既存の生成的アプローチは、サンプリング中にコストのかかるポストホック処理に依存したり、トレーニング中に慎重にキュレートされたデータセットを必要とする場合が多い。 構造制約下での拡散型分子生成に適した強化学習ファインチューニングフレームワークであるFTDiffを提案する。 FTDiffは、コストのかかるポストホック最適化や複雑なデータエンジニアリングを必要とせず、従来手法よりも一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2026-05-31T13:11:48Z)
• Influence-Guided Symbolic Regression: Scientific Discovery via LLM-Driven Equation Search with Granular Feedback [56.69850045068714]
  逐次的2段階プロセスとして方程式発見をフレーム化する方法である textitInfluence-Guided Regression (IGSR) を導入する。 LLM-SRBench, 薬理学的PKPDモデル, 疫学シミュレーション, 実世界のゲノムデータなど, IGSRの有効性を示す。
  論文  参考訳（メタデータ） (2026-05-27T23:48:01Z)
• FRIGID: Scaling Diffusion-Based Molecular Generation from Mass Spectra at Training and Inference Time [52.735012862324766]
  本稿では,質量スペクトルに条件付き構造を生成する新しい拡散言語モデルを用いたフレームワークFRIGIDを提案する。 スペクトル非一貫性フラグメントを同定することにより、前方フラグメンテーションモデルが推論時間スケーリングを実現する方法を示す。 さらなる実証分析により、FRIGIDは推論時間の増大を伴う対数線形性能のスケーリングを示すことが示された。
  論文  参考訳（メタデータ） (2026-04-17T19:11:18Z)
• BioLM-Score: Language-Prior Conditioned Probabilistic Geometric Potentials for Protein-Ligand Scoring [23.407269396970168]
  本稿では,モデルと表現学習を結合した単純で一般化可能なタンパク質リガンドスコアモデルであるBioLM-Scoreを提案する。 CASF-2016ベンチマークの評価では、ドッキング、スコアリング、ランキング、スクリーニングタスク間で大幅に改善されている。 要約すると、BioLM-Scoreは、構造に基づく薬物発見のための効率性、一般化、解釈性を組み合わせた、既存のスコアリング機能に対する原則的で実用的な代替手段を提供する。
  論文  参考訳（メタデータ） (2026-02-09T12:31:49Z)
• Probing In-Context Learning: Impact of Task Complexity and Model Architecture on Generalization and Efficiency [10.942999793311765]
  タスクの複雑さとモデルアーキテクチャを体系的に変化させる、巧妙な実験フレームワークを用いて、文脈内学習(ICL)について検討する。 GPT2スタイルのトランスフォーマー、FlashAttention機構を備えたトランスフォーマー、畳み込みハイエナモデル、Mamba状態空間モデルという4つの異なるモデルを評価した。
  論文  参考訳（メタデータ） (2025-05-10T00:22:40Z)
• DiffMS: Diffusion Generation of Molecules Conditioned on Mass Spectra [60.39311767532607]
  本稿では,DiffMSを提案する。DiffMS,式制限付きエンコーダ・デコーダ生成ネットワークは,このタスクにおける最先端性能を実現する。 遅延埋め込みと分子構造をブリッジするロバストデコーダを開発するために,フィンガー構造対による拡散デコーダの事前訓練を行う。 確立されたベンチマーク実験により、DiffMSはデノボ分子生成における既存のモデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-13T18:29:48Z)
• Learning Neural Eigenfunctions for Unsupervised Semantic Segmentation [12.91586050451152]
  スペクトルクラスタリング(英: Spectral clustering)は、異なるクラスタを構築するために画素のスペクトル埋め込みを計算する理論上の解である。 現在のアプローチは、まだスペクトル分解の非効率性と、試験データに適用する際の柔軟性に悩まされている。 この研究は、スペクトルクラスタリングをニューラルネットワークに基づく固有関数を用いてスペクトル埋め込みを生成するパラメトリックアプローチとしてキャストすることで、これらの問題に対処する。 実際には、神経固有関数は軽量であり、事前訓練されたモデルの特徴を入力とし、トレーニング効率を改善し、より密集した予測のための事前訓練されたモデルの可能性を解き放つ。
  論文  参考訳（メタデータ） (2023-04-06T03:14:15Z)
• Diversifying Design of Nucleic Acid Aptamers Using Unsupervised Machine Learning [54.247560894146105]
  短い一本鎖RNAとDNA配列(アプタマー)の逆設計は、一連の望ましい基準を満たす配列を見つけるタスクである。 我々は、Pottsモデルとして知られる教師なし機械学習モデルを用いて、制御可能なシーケンスの多様性を持つ新しい有用なシーケンスを発見することを提案する。
  論文  参考訳（メタデータ） (2022-08-10T13:30:58Z)
• Improving RNA Secondary Structure Design using Deep Reinforcement Learning [69.63971634605797]
  本稿では,RNA配列設計に強化学習を適用した新しいベンチマークを提案する。このベンチマークでは,目的関数を配列の二次構造における自由エネルギーとして定義する。 本稿では,これらのアルゴリズムに対して行うアブレーション解析の結果と,バッチ間でのアルゴリズムの性能を示すグラフを示す。
  論文  参考訳（メタデータ） (2021-11-05T02:54:06Z)
• Predicting Chemical Properties using Self-Attention Multi-task Learning based on SMILES Representation [0.0]
  本研究では,変圧器変圧器モデルの構造的差異について検討し,新しい自己注意モデルを提案する。 不均衡な化学データセットを用いたマルチタスク学習環境において,自己認識モジュールの表現学習性能を評価した。
  論文  参考訳（メタデータ） (2020-10-19T09:46:50Z)
• Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
  本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。 提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-10-05T20:03:13Z)

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。