論文の概要: Beyond Drug Discovery: The Nanotechnology Molecular Optimization (NMO) Benchmark

• arxiv url: http://arxiv.org/abs/2606.30170v1
• Date: Mon, 29 Jun 2026 11:46:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.208378
• Title: Beyond Drug Discovery: The Nanotechnology Molecular Optimization (NMO) Benchmark
• Title（参考訳）: ナノテクノロジーの分子最適化(NMO)ベンチマーク
• Authors: Matthias Blaschke, Daniel Kienzle, Zsuzsanna Koczor-Benda, Julian Lorenz, Rainer Lienhart, Fabian Pauly,
• Abstract要約: 生成分子設計は、医薬品のような性質と大規模な医薬品データセットで事前訓練されたモデルのためのプロキシベンチマークによって形成される。 本稿では、機械学習(ML)と量子材料科学を橋渡しするナノテクノロジー分子最適化ベンチマークを紹介する。 NMOはMLコミュニティの厳格なテストベッドとナノテクノロジー研究の発見エンジンとして同時に機能する。
• 参考スコア（独自算出の注目度）: 16.79939279536708
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generative molecular design is shaped by simple proxy benchmarks for drug-like properties and models pretrained on large pharmaceutical datasets. This combination yields strong benchmark metrics but limits transferability to domains structurally distinct from drug discovery. To overcome this limitation and drive discovery toward real, scientifically grounded targets, we introduce the Nanotechnology Molecular Optimization (NMO) Benchmark, which bridges machine learning (ML) and quantum materials science. NMO acts simultaneously as a rigorous testbed for the ML community and a discovery engine for nanotechnology research. The suite replaces proxy oracles with quantum simulations and introduces strict protocols that prioritize scientific utility over leaderboard-oriented overfitting. The physics-based NMO tasks impose hard structural constraints and rugged fitness landscapes, posing fundamentally new requirements on generative models. Notably, advanced molecular optimization methods underperform much simpler approaches on the NMO tasks. We develop a new baseline method identifying the critical components to solve the NMO tasks, including a novel representation for modeling structural constraints and a domain-agnostic pretraining strategy to eliminate pharmaceutical dataset bias. Our results surpass state-of-the-art physical properties and reveal previously unknown structural motifs, offering new insights for the nanotechnology community and demonstrating that ML can drive genuine scientific discovery.
• Abstract（参考訳）: 生成分子設計は、医薬品のような性質と大規模な医薬品データセットで事前訓練されたモデルのための単純なプロキシベンチマークによって形成される。 この組み合わせは強力なベンチマーク指標をもたらすが、薬物発見とは構造的に異なる領域への転送可能性を制限する。 この制限を克服し、現実の科学的基盤を持つターゲットへの発見を促進するために、機械学習(ML)と量子材料科学を橋渡しするナノテクノロジー分子最適化(NMO)ベンチマークを導入する。 NMOはMLコミュニティの厳格なテストベッドとナノテクノロジー研究の発見エンジンとして同時に機能する。 このスイートは、プロキシオーラクルを量子シミュレーションに置き換え、リーダーボード指向のオーバーフィッティングよりも科学的ユーティリティを優先する厳格なプロトコルを導入している。 物理学に基づくNMOタスクは、厳密な構造的制約と頑丈なフィットネスランドスケープを課し、生成モデルに根本的に新しい要求を課している。 特に、高度な分子最適化手法は、NMOタスクにおいて、はるかに単純なアプローチを下支えする。 我々は,NMOタスクを解くために重要なコンポーネントを識別する新しいベースライン手法を開発し,構造制約をモデル化するための新しい表現と,医薬品のデータセットバイアスを排除するためのドメインに依存しない事前学習戦略を開発した。 我々の結果は最先端の物理特性を超越し、これまで知られていなかった構造モチーフを明らかにし、ナノテクノロジーコミュニティに新たな洞察を与え、MLが真の科学的発見を促進することを実証した。

関連論文リスト

• Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
  MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。 我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
  論文  参考訳（メタデータ） (2025-10-20T17:56:01Z)
• Combining Graph Neural Networks and Mixed Integer Linear Programming for Molecular Inference under the Two-Layered Model [6.107266553770076]
  我々は、GNNを学習手法として利用するmol-infer-GNN(mol-infer-GNN)に基づく分子推論フレームワークを開発する。 提案したGNNモデルでは,単純な構造であるにもかかわらず,いくつかの特性に対して満足度の高い学習性能が得られる。
  論文  参考訳（メタデータ） (2025-07-05T06:57:37Z)
• Pretraining Generative Flow Networks with Inexpensive Rewards for Molecular Graph Generation [6.495442425890008]
  A-GFN(Atomic GFlowNets)は、個々の原子をビルディングブロックとして活用し、薬物のような化学空間をより包括的に探索する生成モデルである。 医薬品のような分子データセットを用いた教師なし事前学習手法を提案し,A-GFNに安価で情報伝達性の高い分子記述子について教える。 本研究では、ZINCデータセットのサブセット上でA-GFNを事前訓練し、ロバストな評価指標を用いてアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2025-03-08T20:41:07Z)
• GFlowNet Pretraining with Inexpensive Rewards [2.924067540644439]
  A-GFN(Atomic GFlowNets)は、個々の原子をビルディングブロックとして活用し、薬物のような化学空間をより包括的に探索する基礎的な生成モデルである。 オフラインな薬物様分子データセットを用いた教師なし事前学習手法を提案する。 我々は、目標条件付き微調整プロセスを実装し、A-GFNを適応させて特定の目標特性に最適化する手法をさらに強化する。
  論文  参考訳（メタデータ） (2024-09-15T11:42:17Z)
• 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)
• Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
  分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。 近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。 本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-05-17T13:08:28Z)
• Improving Molecular Representation Learning with Metric Learning-enhanced Optimal Transport [49.237577649802034]
  分子レグレッション問題に対する一般化能力を高めるために,MROTと呼ばれる新しい最適輸送ベースアルゴリズムを開発した。 MROTは最先端のモデルよりも優れており、新しい物質の発見を加速する有望な可能性を示している。
  論文  参考訳（メタデータ） (2022-02-13T04:56:18Z)
• Machine Learning in Nano-Scale Biomedical Engineering [77.75587007080894]
  ナノスケールバイオメディカルエンジニアリングにおける機械学習の利用に関する既存の研究について概説する。 ML問題として定式化できる主な課題は、3つの主要なカテゴリに分類される。 提示された方法論のそれぞれについて、その原則、応用、制限に特に重点を置いている。
  論文  参考訳（メタデータ） (2020-08-05T15:45:54Z)

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。