論文の概要: MolGVR: A Chemistry-Grounded Framework for Text-to-Molecule Generation
- arxiv url: http://arxiv.org/abs/2607.29479v1
- Date: Fri, 31 Jul 2026 14:43:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-03 14:29:40.763697
- Title: MolGVR: A Chemistry-Grounded Framework for Text-to-Molecule Generation
- Title（参考訳）: MolGVR: テキストから分子生成のための化学を取り巻くフレームワーク
- Abstract要約: MolGVRはテキストから分子生成の問題のためのフレームワークである。
ジェネレータは構造的証拠を推測し、候補分子を生成する。
検証者は、記述を化学的な制約に変換し、それらに対する候補をチェックする。
Refinerは、Verifierによって拒否された候補を改訂することで、生成失敗に対処する。
- 参考スコア（独自算出の注目度）: 11.044608846457265
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Text-to-molecule generation is typically formulated as a one-shot sequence generation problem, where a model directly maps target descriptions to molecular representations. However, molecular descriptions often contain informative structural constraints, and violating such constraints can change the molecular identity. This makes chemical verification and error correction important but underexplored. To fill this gap, we propose MolGVR, a chemistry-grounded Generator--Verifier--Refiner framework. The Generator infers structural evidence and generates candidate molecules. The Verifier addresses the lack of chemical validation by converting descriptions into chemical constraints and checking candidates against them. The Refiner addresses generation failures by revising candidates rejected by the Verifier. Experiments on ChEBI-20 and PCDes show that MolGVR improves exact-match performance. These results suggest that coupling generation with executable verification and feedback-guided refinement is an effective way to improve text-to-molecule generation.
- Abstract（参考訳）: テキストから分子への生成は通常、1ショットのシーケンス生成問題として定式化され、モデルがターゲット記述を直接分子表現にマッピングする。
しかし、分子の記述は情報的構造的制約を含むことが多く、そのような制約に違反することは分子のアイデンティティを変える可能性がある。
これにより、化学的検証と誤り訂正が重要になるが、未調査である。
このギャップを埋めるために,化学接地型ジェネレータであるMolGVRを提案する。
ジェネレータは構造的証拠を推測し、候補分子を生成する。
検証者は、記述を化学制約に変換し、それらに対する候補をチェックすることで、化学検証の欠如に対処する。
Refinerは、Verifierによって拒否された候補を改訂することで、生成失敗に対処する。
ChEBI-20とPCDesの実験により、MoldVRは正確なマッチング性能を向上させることが示された。
これらの結果から,テキストから分子への変換に有効な手法として,実行可能検証とフィードバック誘導リファインメントの結合生成が有効であることが示唆された。
関連論文リスト
- MolEdit: Knowledge Editing for Multimodal Molecule Language Models [57.85765246726558]
MolEditは分子対カプセル生成とキャプション対分子生成のためのフレームワークである。
MolEditにはMulti-Expert Knowledge Adapterが組み込まれており、異なる分子ファセットの専門の専門家に、Expertise-Aware Editing Switcherで編集をルーティングする。
MolEditは信頼性を最大18.8%向上し、効率を保ちながらベースラインよりも12.0%良いローカリティを提供する。
論文 参考訳（メタデータ） (2025-11-16T20:48:37Z) - ChemFixer: Correcting Invalid Molecules to Unlock Previously Unseen Chemical Space [45.88028371034407]
無効分子を有効な分子に補正するフレームワークであるChemFixerを提案する。
ChemFixerはトランスフォーマーアーキテクチャ上に構築されており、マスク技術を使って事前トレーニングされ、大規模なデータセットで微調整されている。
元の出力の化学的および生物学的分布特性を効果的に保ちながら、分子の妥当性を改善した。
論文 参考訳（メタデータ） (2025-11-14T07:25:03Z) - RxnCaption: Reformulating Reaction Diagram Parsing as Visual Prompt Guided Captioning [51.393018266721576]
化学反応図解析(RxnDP)のためのRxnCaptionフレームワークを提案する。
本フレームワークは,従来の座標予測による解析処理を画像キャプション問題に再構成する。
我々は,BBox and Index as Visual Prompt (BIVP) という,最先端の分子検出器である MolYOLO を用いて,分子境界ボックスやインデックスを直接入力画像上に描画する戦略を紹介した。
論文 参考訳（メタデータ） (2025-11-04T09:08:44Z) - MolErr2Fix: Benchmarking LLM Trustworthiness in Chemistry via Modular Error Detection, Localization, Explanation, and Revision [22.708008313748824]
LLM(Large Language Models)は、分子科学における潜在的な可能性を示すが、しばしば化学的に不正確な記述を生成する。
これにより、科学的応用における堅牢性と信頼性に関する重要な懸念が持ち上がる。
分子記述における誤り検出と訂正におけるLCMの評価を目的としたMollErr2Fixベンチマークを提案する。
論文 参考訳（メタデータ） (2025-08-26T05:43:45Z) - TextOmics-Guided Diffusion for Hit-like Molecular Generation [11.308365776402226]
治療効果を有するヒッチ様分子生成は、標的特異的な薬物発見に不可欠である。
我々は、オミクス表現と分子テキスト記述の1対1対応性を確立する先駆的なベンチマークであるTextOmicsを紹介する。
ToDiは、生物学的に関連があり、化学的に有効なヒッチ様分子を生成するために、オミクス表現と分子テクスチャ記述を共同で条件付けした生成フレームワークである。
論文 参考訳（メタデータ） (2025-07-14T06:56:37Z) - MolLangBench: A Comprehensive Benchmark for Language-Prompted Molecular Structure Recognition, Editing, and Generation [14.1130924371878]
MolLangBenchは分子言語インタフェースの基本的なタスクを評価するために設計されたベンチマークである。
自動ケミノフォマティクスツールを用いて認識タスクを構築する。
厳密な専門家アノテーションと検証を通じて編集・生成タスクをキュレートする。
論文 参考訳（メタデータ） (2025-05-21T03:22:01Z) - GraphXForm: Graph transformer for computer-aided molecular design [73.1842164721868]
既存の化合物を事前訓練したデコーダのみのグラフトランスフォーマアーキテクチャであるGraphXFormを提案する。
種々の薬物設計タスクで評価し、最先端の分子設計手法と比較して優れた客観的スコアを示す。
論文 参考訳（メタデータ） (2024-11-03T19:45:15Z) - MolXPT: Wrapping Molecules with Text for Generative Pre-training [141.0924452870112]
MolXPTは、テキストでラップされたSMILESで事前訓練されたテキストと分子の統一言語モデルである。
MolXPT は MoleculeNet 上での分子特性予測の強いベースラインを上回ります。
論文 参考訳（メタデータ） (2023-05-18T03:58:19Z) - 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) - 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) - Learning Latent Space Energy-Based Prior Model for Molecule Generation [59.875533935578375]
分子モデリングのためのSMILES表現を用いた潜時空間エネルギーに基づく先行モデルについて学習する。
本手法は,最先端モデルと競合する妥当性と特異性を持つ分子を生成することができる。
論文 参考訳（メタデータ） (2020-10-19T09:34:20Z)
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。