論文の概要: HEDGEHOG: Hierarchical Evaluation of Drug Generators Through Rigorous Filtration

• arxiv url: http://arxiv.org/abs/2607.13155v1
• Date: Tue, 14 Jul 2026 18:05:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.557779
• Title: HEDGEHOG: Hierarchical Evaluation of Drug Generators Through Rigorous Filtration
• Title（参考訳）: HedGEHOG: 剛性ろ過による医薬品発生装置の階層的評価
• Abstract要約: 生成分子モデルは、新しい候補化合物であるde novoを提案することにより、初期の薬物発見を支援することができる。 HEDGEHOGは産業的ヒット識別にインスパイアされた6段階フィルタリングベンチマークである。 230,000個の生成分子のうち、初期分子のわずか0.65%が全ての段階を生き残る。
• 参考スコア（独自算出の注目度）: 32.613477872461324
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative molecular models can support early drug discovery by proposing new candidate compounds de novo. In practice, useful candidates must balance target-relevant activity, synthetic accessibility, physicochemical properties, and other multiparameter design constraints. However, metrics commonly used to evaluate molecular generators only weakly reflect whether the generated compounds are medicinally plausible and suitable for downstream computation. This can produce false positives in model evaluation, incorrect assumptions, and inefficient use of computational resources. We introduce HEDGEHOG, a unified six-stage filtration benchmark that is inspired by industrial hit identification workflows: (i) preprocessing; (ii) physicochemical descriptor screening; (iii) structural alerts and graph-sanity checks; (iv) synthesis feasibility; (v) docking and binding affinity estimation; and (vi) three-dimensional pose and interaction checks. We evaluate 23 molecular generators across three model classes under a standardized protocol. Across 230,000 generated molecules, only 0.65% of initial molecules survive all stages. Our results expose a central limitation of current molecular generators: molecules that appear acceptable under isolated criteria rarely satisfy medicinal chemistry, synthesis, docking, and 3D pose filters simultaneously.
• Abstract（参考訳）: 生成分子モデルは、新しい候補化合物であるde novoを提案することにより、初期の薬物発見を支援することができる。 実際には、有効な候補は、標的関連活動、合成アクセシビリティ、物理化学的特性、その他の多パラメータ設計制約のバランスをとる必要がある。 しかし、分子生成物を評価するのによく使われる指標は、生成した化合物が医薬的に安定であり、下流の計算に適しているかどうかを弱く反映するだけである。 これにより、モデル評価、誤った仮定、計算資源の非効率的な利用において偽陽性が生じる。 HEDGEHOGは,産業的ヒット識別ワークフローにインスパイアされた,統合された6段階ろ過ベンチマークである。 (i)前処理 二 物理化学的記述体スクリーニング 三 構造警報及びグラフ密度検査 (四)合成実現可能性 五 ドッキング及び結合親和性評価 (vi)3次元のポーズとインタラクションチェック。 標準化されたプロトコルを用いて、3つのモデルクラスにわたる23個の分子発生器を評価した。 230,000個の生成分子のうち、初期分子のわずか0.65%が全ての段階を生き残る。 分離基準下で許容される分子は, 医薬化学, 合成, ドッキング, および3次元ポーズフィルタを同時に満たすことは滅多にない。

関連論文リスト

• Zatom-1: A Multimodal Flow Foundation Model for 3D Molecules and Materials [51.342983349686556]
  汎用的な3Dケミカルモデリングは分子や材料を含み、生成能力と予測能力の両方を必要とする。 Zatom-1は、3D分子や材料の生成的および予測的学習を統一する、エンド・ツー・エンドの完全なオープンソース基盤モデルである。
  論文  参考訳（メタデータ） (2026-02-24T20:52:39Z)
• From In Silico to In Vitro: Evaluating Molecule Generative Models for Hit Generation [1.7744342894757368]
  我々は、生成モデルがパイプラインの1つのステップ、ヒットライクな分子生成を置き換えることができるかどうかを検討する。 具体的には、このようなモデルがヒットライクな分子を生成するための訓練が可能かどうかを調べ、従来のヒット識別を直接組み込むか、あるいは置き換えることもできるか検討する。 以上の結果から, これらのモデルにより, 複数の標的にまたがる有効, 多様性, 生物学的に関連のある化合物を生成できることが示唆された。
  論文  参考訳（メタデータ） (2025-12-26T14:02:59Z)
• 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)
• Molecule Design by Latent Prompt Transformer [76.2112075557233]
  本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。 本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-27T03:33:23Z)
• Target Specific De Novo Design of Drug Candidate Molecules with Graph Transformer-based Generative Adversarial Networks [0.0]
  薬物候補分子のデノボ設計のためのエンド・ツー・エンド生成システムであるDr.GENを提案する。 このシステムは、化合物のような薬物の大規模なデータセットを使用して訓練され、特定の生物活性分子をターゲットにしている。 実験で知られている生物活性分子のデータセットを考えると、他の薬剤性タンパク質のモデルを容易に訓練することができる。
  論文  参考訳（メタデータ） (2023-02-15T18:59:27Z)
• 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)
• Exploring Chemical Space with Score-based Out-of-distribution Generation [57.15855198512551]
  生成微分方程式(SDE)にアウト・オブ・ディストリビューション制御を組み込んだスコアベース拡散方式を提案する。 いくつかの新しい分子は現実世界の薬物の基本的な要件を満たしていないため、MOODは特性予測器からの勾配を利用して条件付き生成を行う。 我々はMOODがトレーニング分布を超えて化学空間を探索できることを実験的に検証し、既存の方法で見いだされた分子、そして元のトレーニングプールの上位0.01%までも生成できることを実証した。
  論文  参考訳（メタデータ） (2022-06-06T06:17:11Z)
• MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [51.00815310242277]
  生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。 本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
  論文  参考訳（メタデータ） (2020-10-05T20:18:42Z)

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。