論文の概要: Gene Expression-Informed Jointly Controlled Generative Modeling for Precision Molecular Design

• arxiv url: http://arxiv.org/abs/2607.11978v1
• Date: Mon, 13 Jul 2026 07:12:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:29.916457
• Title: Gene Expression-Informed Jointly Controlled Generative Modeling for Precision Molecular Design
• Title（参考訳）: 精密分子設計のための遺伝子発現インフォーム付き共同制御生成モデル
• Abstract要約: 精密分子設計は、複数の条件のジョイントコントロールを通じて、パーソナライズされた薬物候補を見つけることを目的としている。 本稿では,遺伝子プロファイルによってコードされる生物学的状態を統合する,共同制御された精密分子生成モデルJoPMolを提案する。 実験の結果,JoPMolは複数の評価指標で最先端の手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 16.77208961779746
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Precision molecular design aims to discover personalized drug candidates through joint control of multiple conditions, such as biological relevance and molecular design strategies. Biological relevance reflects cellular functional states under disease or perturbation conditions, while molecular design strategies provide complementary guidance in terms of structural intentions and property optimization. In this study, we propose JoPMol, a jointly controlled precision molecular generative model that integrates biological states encoded by gene expression profiles with molecular structure information expressed in text, and chemical properties quantified by numerical values within a unified modeling framework. This formulation enables coordinated generation and optimization of candidate molecules under joint condition control. Experimental results show that JoPMol outperforms state-of-the-art methods across multiple evaluation metrics. Moreover, JoPMol demonstrates strong generalization ability in both transfer tasks and biologically grounded simulation scenarios, validating its effectiveness for precision molecular design. The source code is publicly available at https://github.com/hala-yh/JoPMol.
• Abstract（参考訳）: 精密分子設計は、生物学的関連性や分子設計戦略などの複数の条件を共同制御することで、パーソナライズされた薬物候補を見つけることを目的としている。 生物学的関連性は、疾患や摂動条件下での細胞機能状態を反映し、分子設計戦略は構造的意図や特性最適化の観点から補完的なガイダンスを提供する。 そこで本研究では,遺伝子プロファイルによって符号化された生物学的状態と,テキストで表現された分子構造情報と,統一されたモデリングフレームワーク内での数値で定量化される化学的性質を融合した,共同制御された精密分子生成モデルJoPMolを提案する。 この定式化により、結合条件制御下での候補分子の生成と最適化が可能となる。 実験の結果,JoPMolは複数の評価指標で最先端の手法よりも優れていた。 さらに、JoPMolは、伝達タスクと生物学的基盤シミュレーションシナリオの両方において強力な一般化能力を示し、その精度分子設計の有効性を検証した。 ソースコードはhttps://github.com/hala-yh/JoPMol.comで公開されている。

関連論文リスト

• Multi-Constrained Evolutionary Molecular Design Framework: An Interpretable Drug Design Method Combining Rule-Based Evolution and Molecular Crossover [11.76474263237491]
  MCEMOL (Multi-Constrained Evolutionary Molecular Design Framework) は、規則に基づく進化と分子クロスオーバーを統合する分子最適化手法である。 大規模なデータセットと広範なトレーニングを必要とするディープラーニングとは異なり、我々のアルゴリズムは計算オーバーヘッドの少ない最小の開始分子から効率的に進化する。 実験の結果、MCEMOLはその進化機構を通じて透明な設計経路を提供し、有効で多様な標的に適合する分子を生成することが示された。
  論文  参考訳（メタデータ） (2026-01-15T06:37:07Z)
• Knowledge-aware contrastive heterogeneous molecular graph learning [77.94721384862699]
  分子グラフを不均一な分子グラフ学習(KCHML)に符号化するパラダイムシフトを提案する。 KCHMLは、不均一な分子グラフと二重メッセージパッシング機構によって強化された3つの異なるグラフビュー-分子、元素、薬理学-を通して分子を概念化する。 この設計は、プロパティ予測やドラッグ・ドラッグ・インタラクション(DDI)予測などの下流タスクに対する包括的な表現を提供する。
  論文  参考訳（メタデータ） (2025-02-17T11:53:58Z)
• Conditional Synthesis of 3D Molecules with Time Correction Sampler [58.0834973489875]
  Time-Aware Conditional Synthesis (TACS) は拡散モデルにおける条件生成の新しい手法である。 適応的に制御されたプラグアンドプレイの"オンライン"ガイダンスを拡散モデルに統合し、サンプルを所望の特性に向けて駆動する。
  論文  参考訳（メタデータ） (2024-11-01T12:59:25Z)
• MoleculeCLA: Rethinking Molecular Benchmark via Computational Ligand-Target Binding Analysis [18.940529282539842]
  約140,000個の小分子からなる大規模かつ高精度な分子表現データセットを構築した。 我々のデータセットは、モデルの開発と設計をガイドするために、重要な物理化学的解釈性を提供します。 このデータセットは、分子表現学習のためのより正確で信頼性の高いベンチマークとして機能すると考えています。
  論文  参考訳（メタデータ） (2024-06-13T02:50:23Z)
• 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)
• PrefixMol: Target- and Chemistry-aware Molecule Design via Prefix Embedding [34.27649279751879]
  対象ポケットの状況と様々な化学特性を考慮した新しい生成モデルを構築した。 実験により,本モデルは単条件および多条件の分子生成において良好な制御性を示すことが示された。
  論文  参考訳（メタデータ） (2023-02-14T15:27:47Z)
• Domain-Agnostic Molecular Generation with Chemical Feedback [44.063584808910896]
  MolGenは、分子生成に特化した事前訓練された分子言語モデルである。 1億以上の分子SELFIESを再構成することで構造的および文法的な洞察を内部化する。 我々の化学フィードバックパラダイムは、モデルを分子幻覚から遠ざけ、モデルの推定確率と実世界の化学的嗜好との整合性を確保する。
  論文  参考訳（メタデータ） (2023-01-26T17:52:56Z)
• A Molecular Multimodal Foundation Model Associating Molecule Graphs with Natural Language [63.60376252491507]
  本稿では,分子グラフとその意味的関連テキストデータから事前学習した分子マルチモーダル基礎モデルを提案する。 我々のモデルは、生物学、化学、材料、環境、医学などの分野において、AIを動力とする分野に幅広い影響を与えるだろうと考えています。
  論文  参考訳（メタデータ） (2022-09-12T00:56:57Z)
• 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)
• A biologically-inspired evaluation of molecular generative machine learning [17.623886600638716]
  分子生成モデル評価のためのバイオインスパイアされた新しいベンチマークを提案する。 本稿では, 創出出力評価のための相補的手法として, レクリエーション指標, 薬物-標的親和性予測, 分子ドッキングを提案する。
  論文  参考訳（メタデータ） (2022-08-20T11:01:10Z)
• Flexible dual-branched message passing neural network for quantum mechanical property prediction with molecular conformation [16.08677447593939]
  メッセージパッシングフレームワークに基づく分子特性予測のための二重分岐ニューラルネットワークを提案する。 本モデルでは,様々なスケールで異種分子の特徴を学習し,予測対象に応じて柔軟に学習する。
  論文  参考訳（メタデータ） (2021-06-14T10:00:39Z)
• Reinforced Molecular Optimization with Neighborhood-Controlled Grammars [63.84003497770347]
  分子最適化のためのグラフ畳み込みポリシネットワークであるMNCE-RLを提案する。 我々は、元の近傍制御された埋め込み文法を拡張して、分子グラフ生成に適用する。 提案手法は, 分子最適化タスクの多種多様さにおいて, 最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-11-14T05:42:15Z)

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。