論文の概要: SynLaD: Latent Diffusion for Generating Synthesizable Molecules Conditioned on 3D Pharmacophore Profiles
- arxiv url: http://arxiv.org/abs/2607.01105v1
- Date: Wed, 01 Jul 2026 15:57:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-02 19:56:07.976604
- Title: SynLaD: Latent Diffusion for Generating Synthesizable Molecules Conditioned on 3D Pharmacophore Profiles
- Title（参考訳）: SynLaD:3次元薬局面に条件付き合成可能な分子生成のための潜時拡散法
- Abstract要約: 小型分子生成のための遅延拡散フレームワークであるSynLaDを提案する。
現行のモデルは、一方の目的を犠牲にして最適化し、一方の目的を犠牲にして、高次で合成可能な分子を発見するボトルネックを生み出している。
生物活性合成のためのアナログ生成タスク全体にわたって、SynLaDは、合成可能で多様なヒット生成において、既存のベースラインを上回っている。
- 参考スコア（独自算出の注目度）: 6.375842344102895
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We present SynLaD, a latent diffusion framework for small-molecule generation that unifies ligand-based drug design objectives (what to make) with synthetic accessibility (how to make it). Current models typically optimize one objective at the expense of the other, creating a bottleneck for discovering high-scoring and synthesizable molecules. SynLaD combines reaction-constrained generation with pharmacophore-conditioned 3D design by learning a latent space that decodes to both 3D structures and synthesis pathways. An encoder maps molecules to a latent representation used by two decoder heads: (i) a geometric head that reconstructs atom types and coordinates and (ii) an autoregressive synthesis head that outputs synthetic routes in a serialized, reaction-based notation. A diffusion transformer generates novel latents in the learned space, conditioned on pharmacophore profiles. Across analogue generation tasks for bioactive ligands, SynLaD outperforms existing baselines in synthesizable and diverse hit generation, demonstrating that a single model can produce shape-aligned molecules with feasible synthesis plans.
- Abstract（参考訳）: SynLaDは、リガンドをベースとした医薬品設計目標(何を作るか)と合成アクセシビリティ(どのように作るか)を統一する、小分子生成のための潜伏拡散フレームワークである。
現在のモデルは、通常、一方の目的を犠牲にして最適化し、一方の目的を犠牲にして、高色で合成可能な分子を発見するボトルネックを生じさせる。
SynLaDは3D構造と合成経路の両方にデコードする潜伏空間を学習することで、反応制約された生成と薬品相条件の3D設計を組み合わせる。
エンコーダは、2つのデコーダヘッドが使用する潜在表現に分子をマッピングする。
一 原子の種類及び座標を再構成する幾何学的頭部
(ii) 自己回帰合成ヘッドで、シリアライズされた反応に基づく表記法で合成経路を出力する。
拡散変圧器は、薬理泳動プロファイルに基づいて学習空間で新規な潜伏剤を生成する。
生物活性リガンドのアナログ生成タスク全体にわたって、SynLaDは既存のベースラインを、合成可能で多様なヒット生成で上回り、単一のモデルが、可能な合成計画で整列した分子を生成できることを実証している。
関連論文リスト
- JEDEL: Zero-Shot DNA-Encoded Library Design for Early-Stage Drug Discovery [14.67301218726682]
JEDELは, 能動命令の3次元薬局表現から直接DNA-ready synthesis-ready Library(DEL)を生成するためのフレームワークである。
JEDELは医薬品の相互作用パターンを実行可能なスケーラブルな合成命令にマッピングする最初のモデルである。
論文 参考訳（メタデータ） (2026-06-21T19:27:28Z) - Rethinking Molecule Synthesizability with Chain-of-Reaction [47.744071119775676]
合成可能な投影のための生成フレームワークであるReaSynを紹介する。
大規模言語モデル(LLM)における推論経路に類似した合成経路を考慮した新しい視点を提案する。
CoR表記により、ReaSynは化学反応規則を明示的に学習する全ての反応ステップにおいて、密集した監督を受けることができる。
論文 参考訳（メタデータ） (2025-09-19T15:29:57Z) - SynCoGen: Synthesizable 3D Molecule Generation via Joint Reaction and Coordinate Modeling [29.856853267388924]
合成可能な3次元分子生成のためのグラフ拡散とフローマッチングを組み合わせたフレームワークであるSynCoGenを提案する。
モデルをトレーニングするために、600K以上のビルディングブロックグラフと3.3Mコンバータを含むデータセットであるSynSpaceをキュレートした。
論文 参考訳（メタデータ） (2025-07-16T00:36:35Z) - Autonomous nanoparticle synthesis by design [32.63291717930695]
本稿では,原子スケール構造を特異的に合成する自律的手法を提案する。
提案手法は,実時間実験全散乱(TS)とペア分布関数(PDF)データとをマッチングして合成プロトコルを自動設計する。
我々はこの能力をシンクロトロンで実証し、2つの構造的に異なる金NPの合成に成功した。
論文 参考訳（メタデータ） (2025-05-19T13:19:30Z) - Towards Unified and Lossless Latent Space for 3D Molecular Latent Diffusion Modeling [90.23688195918432]
3次元分子生成は、薬物発見と物質科学に不可欠である。
既存のアプローチは、典型的には不変かつ同変なモジュラリティに対して別々のラテント空間を保持する。
我々は,3次元分子を潜在空間から潜在配列に圧縮するマルチモーダルVAEである textbfUAE-3D を提案する。
論文 参考訳（メタデータ） (2025-03-19T08:56:13Z) - SynthFormer: Equivariant Pharmacophore-based Generation of Synthesizable Molecules for Ligand-Based Drug Design [19.578382119811238]
本稿では,合成木として構築された完全合成可能な分子を生成する機械学習モデルであるSynthFormerについて紹介する。
これは第一種アプローチであり、薬理泳動に基づく活性分子を設計する能力を提供する可能性がある。
論文 参考訳（メタデータ） (2024-10-03T17:38:46Z) - 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) - Generative Novel View Synthesis with 3D-Aware Diffusion Models [96.78397108732233]
単一入力画像から3D対応の新規ビュー合成のための拡散モデルを提案する。
提案手法は既存の2次元拡散バックボーンを利用するが,重要な点として,幾何学的先行を3次元特徴体積の形で組み込む。
新たなビュー生成に加えて,本手法は3次元一貫性シーケンスを自己回帰的に合成する機能を備えている。
論文 参考訳（メタデータ） (2023-04-05T17:15:47Z) - A Deep Learning Generative Model Approach for Image Synthesis of Plant
Leaves [62.997667081978825]
我々は,高度深層学習(DL)技術を用いて,人工葉画像の自動生成を行う。
我々は、現代の作物管理のためのAIアプリケーションのためのトレーニングサンプルのソースを処分することを目指している。
論文 参考訳（メタデータ） (2021-11-05T10:53:35Z) - Amortized Tree Generation for Bottom-up Synthesis Planning and
Synthesizable Molecular Design [2.17167311150369]
ターゲット分子の埋め込みを条件としたマルコフ決定過程として,合成経路を生成するための償却アプローチを報告した。
提案手法により,最適化された条件付き符号からデコードすることで,ボトムアップ方式で合成計画を実行し,合成可能な分子を設計することができる。
論文 参考訳（メタデータ） (2021-10-12T22:43:25Z) - RetroXpert: Decompose Retrosynthesis Prediction like a Chemist [60.463900712314754]
そこで我々は, テンプレートフリーな自動逆合成拡張アルゴリズムを考案した。
我々の方法はレトロシンセシスを2段階に分解する。
最先端のベースラインよりも優れている一方で、我々のモデルは化学的に合理的な解釈も提供する。
論文 参考訳（メタデータ） (2020-11-04T04:35:34Z) - Learning To Navigate The Synthetically Accessible Chemical Space Using
Reinforcement Learning [75.95376096628135]
ド・ノボ薬物設計のための強化学習(RL)を利用した新しい前方合成フレームワークを提案する。
このセットアップでは、エージェントは巨大な合成可能な化学空間をナビゲートする。
本研究は,合成可能な化学空間を根本的に拡張する上で,エンド・ツー・エンド・トレーニングが重要なパラダイムであることを示す。
論文 参考訳（メタデータ） (2020-04-26T21:40:03Z)
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。