Fugu-MT 論文翻訳(概要): Do Language Models Dream of Binding Molecules? Benchmarking LLMs under Spatial Constraints

論文の概要: Do Language Models Dream of Binding Molecules? Benchmarking LLMs under Spatial Constraints

arxiv url: http://arxiv.org/abs/2607.18144v1
Date: Mon, 20 Jul 2026 16:43:54 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-21 18:48:37.70884
Title: Do Language Models Dream of Binding Molecules? Benchmarking LLMs under Spatial Constraints
Title（参考訳）: 言語モデルは分子の結合を夢見ているか?空間制約下でのLLMのベンチマーク
Abstract要約: 我々は,現在の汎用LLMが,確立されたベースラインと比較して複雑な3次元制約をナビゲートできるかどうかを評価する。 LLMの空間的能力には明らかなパターンがあり、最先端のアプローチに遅れを取っているものの、将来性があり、同時に複数の空間的制約を処理できる。
参考スコア（独自算出の注目度）: 3.135855529710087
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Structure-based drug design (SBDD) leverages the 3D structure of protein targets, often complemented by other spatial constraints, to generate candidate binding molecules. While diffusion models have dominated as a leading paradigm for high-quality 3D molecule generation, LLM-based methods are rapidly emerging in molecular design and have shown competitive performance in pocket-conditioned molecular generation. However, their ability to reason about physics and 3D spatial environments is largely underexplored. In this work, we systematically analyze whether current general-purpose LLMs are capable of navigating complex 3D constraints compared to established baselines such as specialized diffusion models. We consider 3D ligand generation conditioned on protein pockets together with ligand- and interaction-derived spatial constraints, including anchor fragments, pharmacophore points, and mandatory pocket-ligand interactions. To enable this evaluation, we introduce 3D-Fit - a token-efficient benchmarking strategy for assessing LLM performance on multi-conditioned spatial molecule generation. Our findings reveal a clear pattern in LLM spatial capabilities: while they still lag behind state-of-the-art approaches, they are promising and can handle multiple spatial constraints simultaneously, enabling scaling to heterogeneous setups.
Abstract（参考訳）: 構造に基づく薬物設計(SBDD)は、タンパク質標的の3次元構造を利用して、しばしば他の空間的制約によって補完され、候補結合分子を生成する。拡散モデルは高品質な3次元分子生成の先駆的パラダイムとして支配されているが、LCM法は分子設計において急速に発展し、ポケットコンディショニングされた分子生成において競争力を発揮している。しかし、物理と3次元空間環境について考える能力は、ほとんど探索されていない。本研究では,現在の汎用LLMが,特殊な拡散モデルのような確立されたベースラインと比較して,複雑な3次元制約をナビゲートできるかどうかを系統的に分析する。タンパク質ポケットに条件付き3Dリガンドの生成と, アンカーフラグメント, 薬局点, 必須ポケット-リガンド相互作用など, リガンドと相互作用に起因した空間的制約について検討した。この評価を実現するために,多条件空間分子生成におけるLCM性能評価のためのトークン効率のベンチマーク手法である3D-Fitを導入する。 LLMの空間的能力には明らかなパターンがある: 彼らはまだ最先端のアプローチに遅れを取っているが、それらは有望であり、同時に複数の空間的制約を処理でき、不均一な設定へのスケーリングを可能にしている。

関連論文リスト

SpaceEra++: A Unified Framework Towards 3D Spatial Reasoning in Video [88.79625979053873]
事前学習型視覚言語モデル(VLM)のための新しいフレームワークSpaceEraを提案する。データ構築、モデル設計、トレーニング最適化、推論の促進にまたがる、SpaceEra++と呼ばれる、オリジナルのフレームワークを包括的なシステムに拡張します。さらに,空間的推論を強化するために,絶対座標と相対空間関係を協調的に利用することにより,対物制約を強制するSpaceAlignを開発した。
論文参考訳（メタデータ） (2026-07-02T06:56:29Z)
Structure-guided molecular design with contrastive 3D protein-ligand learning [4.938502760488423]
構造に基づく薬物発見は、3Dタンパク質-リガンド相互作用を正確に捉え、超大型の化学空間をナビゲートするという2つの課題に直面している。本稿では, コントラスト型3次元構造の符号化と, 商用複合空間に条件付き自己回帰分子生成を併用することにより, これらの課題に対処する統一的な枠組みを提案する。
論文参考訳（メタデータ） (2026-04-21T15:13:41Z)
Scalable Spatio-Temporal SE(3) Diffusion for Long-Horizon Protein Dynamics [51.85385061275941]
分子動力学(MD)シミュレーションは、タンパク質動力学研究のゴールドスタンダードのままである。近年の生成モデルではシミュレーションの加速が期待できるが、長軸生成に苦慮している。物理的に可塑性なタンパク質軌道をマイクロスケールの時間スケールで生成する拡張拡散モデルSTAR-MDを提案する。
論文参考訳（メタデータ） (2026-02-02T14:13:28Z)
SpatialThinker: Reinforcing 3D Reasoning in Multimodal LLMs via Spatial Rewards [37.39035418889281]
構造的空間接地と多段階推論を統合するためにRLで訓練された3D対応MLLMであるSpatialThinkerを紹介する。このモデルは,タスク関連オブジェクトと空間関係のシーングラフを構築し,密集した空間報酬による回答への推論を行うことにより,人間のような空間知覚をシミュレートする。
論文参考訳（メタデータ） (2025-11-10T18:52:47Z)
DEMO:Diffusion-based Evolutionary Optimization for 3D Multi-Objective Molecular Generation [25.82864719790724]
構造的制約を満足しながら複数の目的特性を最適化することは、3次元分子発見の大きな課題である。本稿では,事前学習した拡散モデルの生成力を生かした新しい3次元分子多目的進化アルゴリズムを提案する。本手法は,拡散モデルの前方処理で定義される雑音空間におけるクロスオーバー操作を行い,親の特徴や所望のフラグメントを子孫に融合させる。
論文参考訳（メタデータ） (2025-05-16T09:32:40Z)
Cross-Modal and Uncertainty-Aware Agglomeration for Open-Vocabulary 3D Scene Understanding [58.38294408121273]
CUA-O3Dと呼ばれるオープン語彙3次元シーン理解のためのクロスモーダル・不確実性認識アグリゲーションを提案する。提案手法は,(1)空間認識型視覚基盤モデルの幾何学的知識とともに,VLMのセマンティックな先入観を取り入れること,(2)モデル固有の不確かさを捉えるために,新しい決定論的不確実性推定を用いること,の2つの課題に対処する。
論文参考訳（メタデータ） (2025-03-20T20:58:48Z)
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)
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)
Navigating the Design Space of Equivariant Diffusion-Based Generative Models for De Novo 3D Molecule Generation [1.3124513975412255]
深部生成拡散モデル(Deep Generative diffusion model)は、材料科学と薬物発見における3D de novo分子設計のための有望な道である。 E(3)-同変拡散モデルの設計空間を探索し、未探索領域に焦点をあてる。本稿では,QM9データセットとGEOM-Drugsデータセットの確立したモデルよりも一貫して優れるEQGAT-diffモデルを提案する。
論文参考訳（メタデータ） (2023-09-29T14:53:05Z)
Generation of 3D Molecules in Pockets via Language Model [0.0]
逐次線記法(SMILES)やグラフ表現に基づく分子の生成モデルは、構造に基づく薬物設計の分野への関心が高まっている。本稿では,言語モデルと幾何学的深層学習技術を組み合わせたポケットベースの3次元分子生成手法であるLingo3DMolを紹介する。
論文参考訳（メタデータ） (2023-05-17T11:31:06Z)
Geometric Latent Diffusion Models for 3D Molecule Generation [172.15028281732737]
生成モデル、特に拡散モデル(DM)は、特徴豊富な測地を生成する上で有望な結果を得た。我々はGeoLDM(Geometric Latent Diffusion Models)と呼ばれる新しい3次元分子生成法を提案する。
論文参考訳（メタデータ） (2023-05-02T01:07:22Z)

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。