Fugu-MT 論文翻訳(概要): Folding, Reasoning, and Scaling with Open-source Drug Discovery Engine

論文の概要: Folding, Reasoning, and Scaling with Open-source Drug Discovery Engine

arxiv url: http://arxiv.org/abs/2607.03787v1
Date: Sat, 04 Jul 2026 09:29:56 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-07 22:26:29.720716
Title: Folding, Reasoning, and Scaling with Open-source Drug Discovery Engine
Title（参考訳）: オープンソースのドラッグディスカバリエンジンによるフォールディング、リ推論、スケーリング
Abstract要約: Open Drug Discovery Engine (OpenDDE)は、オープンソースの全原子バイオ分子基盤モデルである。 OpenDDEは、全原子アーキテクチャ、アトミック遅延推論、推論最適化、大規模データ処理の進歩を統合している。 OpenDDEは、トレーニングコード、推論パイプライン、チェックポイント、ベンチマークをリリースすることによって、フロンティアバイオ分子インテリジェンスへのアクセスを民主化することを目指している。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: Accurately modeling biomolecular interactions is a central bottleneck in biology and therapeutic discovery. Here, we introduce Open Drug Discovery Engine (OpenDDE), an open-source, all-atom biomolecular foundation model that uses co-folding as the entry point to a scalable AI-driven drug discovery engine. Rather than treating structure prediction as an isolated endpoint, OpenDDE is designed as a shared structural reasoning layer for modeling sequence-structure-function relationships across biomolecular complexes, enabling complex structure prediction today while providing a foundation for de novo design, affinity estimation, structure-conditioned optimization, and more. OpenDDE integrates advances in all-atom architecture, atomic latent reasoning, inference optimization, and large-scale data processing to achieve IsoDDE-level co-folding accuracy within a reproducible and openly accessible framework. We also identify two scaling-law directions for co-folding models, revealing practical routes for continued improvement through data, model, inference, and training scaling. By releasing training code, inference pipelines, checkpoints, and benchmarks, OpenDDE aims to democratize access to frontier biomolecular intelligence, accelerate global collaboration, and lay an open foundation for next-generation drug discovery systems that can move from predicting molecular structures toward designing, scoring, and optimizing therapeutic candidates for human health.
Abstract（参考訳）: 正確な生体分子相互作用のモデリングは、生物学と治療発見における中心的なボトルネックである。ここでは、オープンソースの全原子バイオ分子基盤モデルであるOpen Drug Discovery Engine(OpenDDE)を紹介します。 OpenDDEは、構造予測を独立したエンドポイントとして扱うのではなく、生体分子複合体間の配列構造-機能関係をモデル化するための共有構造推論層として設計されており、デノボ設計、親和性推定、構造条件付き最適化などの基盤を提供しながら、今日の複雑な構造予測を可能にしている。 OpenDDEは、全原子アーキテクチャ、原子潜時推論、推論最適化、大規模データ処理の進歩を統合し、再現可能なオープンアクセス可能なフレームワーク内でIsoDDEレベルのコフォールディング精度を実現する。また、コフォールディングモデルのための2つのスケーリング法則の方向を特定し、データ、モデル、推論、トレーニングスケーリングによる継続的な改善のための実践的なルートを明らかにする。 OpenDDEは、トレーニングコード、推論パイプライン、チェックポイント、およびベンチマークをリリースすることによって、フロンティアのバイオ分子インテリジェンスへのアクセスを民主化し、グローバルなコラボレーションを加速し、分子構造予測から設計、スコアリング、ヒトの健康に対する治療候補の最適化に至るまで、次世代の薬物発見システムのためのオープンな基盤を構築することを目指している。

関連論文リスト

Deciphering Scientific Reasoning Steps from Outcome Data for Molecule Optimization [22.850204283344524]
結果から科学的推論を解読するフレームワークであるDESROを提案する。グループ化されたデータ内の共有パターンと重要な違いを分析することで、大きな言語モデル(LLM)が基盤となるロジックを復元することができる。我々はこの枠組みを分子最適化において、薬物発見の重要な段階としてインスタンス化する。
論文参考訳（メタデータ） (2026-03-13T06:25:27Z)
DrugR: Optimizing Molecular Drugs through LLM-based Explicit Reasoning [24.70952870676648]
DrugRは、明示的で段階的な薬理学的推論を最適化プロセスに導入する、大きな言語モデルである。提案手法は, ドメイン固有の事前学習, 逆データ工学による微調整, 自己バランス型多粒性強化学習を統合した。実験結果から、Dr.Rは構造的類似性や標的結合親和性を損なうことなく、複数の特性を包括的に拡張できることが示された。
論文参考訳（メタデータ） (2026-02-09T02:26:25Z)
Agentic reinforcement learning empowers next-generation chemical language models for molecular design and synthesis [51.83339196548892]
ChemCraftは、知識ストレージから化学推論を分離する新しいフレームワークである。 ChemCraftは最小の推論コストで優れたパフォーマンスを実現する。この研究は、AI支援化学のコスト効率とプライバシ保護のパラダイムを確立する。
論文参考訳（メタデータ） (2026-01-25T04:23:34Z)
MolBridge: Atom-Level Joint Graph Refinement for Robust Drug-Drug Interaction Event Prediction [10.392084347375963]
薬物の組み合わせは治療効果を提供するが、有害薬物・薬物相互作用(DDI)のリスクも伴う本研究は,薬物と薬物の相互作用ネットワークをマイニングし分析するグラフベースの手法を開発することにより,Web Mining and Content Analysisに寄与する。
論文参考訳（メタデータ） (2025-10-23T11:33:16Z)
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)
A Geometric Graph-Based Deep Learning Model for Drug-Target Affinity Prediction [0.0]
グラフ学習フレームワークに残差接続とアテンション機構を統合したディープ畳み込みニューラルネットワークDeepGGLを導入する。マルチスケールの重み付き二部体部分グラフを活用することで、DeepGGLは複数のスケールにわたるタンパク質-リガンド複合体の微細な原子レベルの相互作用を効果的に捉えることができる。 DeepGGLは高い予測精度を維持し、構造に基づく薬物発見におけるアフィニティ予測への適応性と信頼性を強調した。
論文参考訳（メタデータ） (2025-09-15T14:06:39Z)
FROGENT: An End-to-End Full-process Drug Design Agent [19.025736969789566]
薬物発見のための強力なAIツールは、孤立したWebアプリ、デスクトッププログラム、コードライブラリに存在する。この問題に対処するため、FROGENTという名前のフルプロセスduG dEsign ageNTが提案されている。 FROGENTはLarge Language ModelとModel Context Protocolを使用して、複数の動的生化学データベース、ツールライブラリ、タスク固有のAIモデルを統合する。
論文参考訳（メタデータ） (2025-08-14T15:45:53Z)
DecompOpt: Controllable and Decomposed Diffusion Models for Structure-based Molecular Optimization [49.85944390503957]
DecompOptは、制御可能・拡散モデルに基づく構造に基づく分子最適化手法である。 DecompOptは強いde novoベースラインよりも優れた特性を持つ分子を効率よく生成できることを示す。
論文参考訳（メタデータ） (2024-03-07T02:53:40Z)
Geometric Deep Learning for Structure-Based Drug Design: A Survey [83.87489798671155]
構造に基づく薬物設計(SBDD)は、タンパク質の3次元幾何学を利用して、潜在的な薬物候補を特定する。近年の幾何学的深層学習の進歩は、3次元幾何学的データを効果的に統合・処理し、この分野を前進させてきた。
論文参考訳（メタデータ） (2023-06-20T14:21:58Z)
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)
Distance-aware Molecule Graph Attention Network for Drug-Target Binding Affinity Prediction [54.93890176891602]
薬物標的結合親和性予測に適したDiStance-aware Molecule graph Attention Network (S-MAN)を提案する。そこで,我々はまず,構築したポケットリガンドグラフに位相構造と空間位置情報を統合する位置符号化機構を提案する。また,エッジレベルアグリゲーションとノードレベルアグリゲーションを有するエッジノード階層的アグリゲーション構造を提案する。
論文参考訳（メタデータ） (2020-12-17T17:44:01Z)

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。