論文の概要: Fused Bayesian Flow Networks for Dual-Target Molecular Design

• arxiv url: http://arxiv.org/abs/2608.01007v1
• Date: Sun, 02 Aug 2026 05:23:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.050904
• Title: Fused Bayesian Flow Networks for Dual-Target Molecular Design
• Title（参考訳）: 二重ターゲット分子設計のための融合ベイズ流網
• Authors: Jingyuan Zhou, Shikui Tu, Lei Xu,
• Abstract要約: デュアルターゲットドラッグの設計は、2つの標的タンパク質と同時に相互作用できる3D分子を生成することを目的としている。 二重ターゲット分子設計のための融合ベイズフローネットワーク(BFN)であるFusedBFNを提案する。 本研究では,FusedBFNが分子特性を維持しつつ,二重ターゲットに対して強い結合親和性を持つ分子を生成することを示す。
• 参考スコア（独自算出の注目度）: 15.474159610462024
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dual-target drug design aims to generate 3D molecules that can simultaneously interact with two target proteins, offering a promising route for discovering polypharmacological compounds against complex diseases. While recent generative models have shown encouraging performance in single-target drug design, existing dual-target approaches either focus on sequence generation or introduce an additional predictive drift term into the diffusion-based generative trajectory, which limits their ability to fully integrate feature information from both targets. We propose FusedBFN, a fused Bayesian flow network (BFN) for dual-target molecular design. FusedBFN formulates dual-target generation as distribution fusion in a unified continuous parameter space and employs a product-of-experts formulation to incorporate dual-target information throughout the generative process. To address the scarcity of dual-target structural data, we leverage a pretrained target-aware BFN model as the shared backbone. We further introduce a chemically aware prior-based alignment method and a prior-free pocket alignment strategy to construct aligned dual-target contexts. Extensive experiments demonstrate that FusedBFN generates molecules with strong binding affinity toward dual targets while maintaining favorable molecular properties.
• Abstract（参考訳）: デュアルターゲットドラッグの設計は、2つの標的タンパク質と同時に相互作用できる3D分子を生成することを目的としている。 最近の生成モデルでは、単一ターゲットのドラッグデザインの性能向上が示されているが、既存のデュアルターゲットアプローチは、シーケンス生成に焦点を当てるか、拡散に基づく生成軌道に新たな予測ドリフト項を導入することで、両方のターゲットからの特徴情報を完全に統合する能力が制限されている。 二重ターゲット分子設計のための融合ベイズフローネットワーク(BFN)であるFusedBFNを提案する。 FusedBFNは、統一された連続パラメータ空間における分布融合として二重ターゲット生成を定式化し、生成過程全体を通して二重ターゲット情報を統合するために、製品・オブ・エキスパートの定式化を用いる。 二重ターゲット構造データの不足に対処するために、事前訓練された目標認識BFNモデルを共有バックボーンとして活用する。 さらに, 化学的に認識された事前アライメント手法と, ポケットアライメント戦略を導入し, 整列されたデュアルターゲットコンテキストを構築する。 大規模な実験により、FusedBFNは2つの標的に対して強い結合親和性を持つ分子を生成し、良好な分子特性を維持することが示されている。

関連論文リスト

• Current Injection Spiking Neural Network for Infrared and Visible Image Fusion [55.20584003351512]
  赤外線および可視画像融合(IVIF)は、2つのモードの相補的な情報をよりリッチなシーン内容の単一の画像に統合する。 膜電位レベルで直接クロスモーダル核融合を行うスパイクネットワークであるCIS-Fuseを提案する。 4つのIVIFベンチマークと下流検出とセグメンテーションの実験により、CIS-Fuseは最先端のANN法と同等の核融合品質が得られることが示された。
  論文  参考訳（メタデータ） (2026-07-22T08:10:02Z)
• Don't Retrain, Just Reuse: Recovering Dual-Target Molecules from Single-Target Diffusion Models [20.421741889749573]
  既存のデュアルターゲット生成法は、ジェネレータを再訓練するか、サンプリング中に拡散過程に介入することによって、デュアルターゲット機能を導入する。 両ターゲット親和性, 化学的品質, 多様性を強制するために, 対条件探索と構造化多段階選択を組み合わせた階層的進化的入力空間探索フレームワークREUSEを提案する。
  論文  参考訳（メタデータ） (2026-05-25T10:39:16Z)
• CombiMOTS: Combinatorial Multi-Objective Tree Search for Dual-Target Molecule Generation [8.288411013805648]
  CombiMOTSは二重ターゲット分子を生成するフレームワークである。 CombiMOTSは、高いドッキングスコア、多様性の向上、バランスの取れた薬理特性を持つ新規な二重ターゲット分子を生産する。
  論文  参考訳（メタデータ） (2026-04-25T13:44:34Z)
• FuseDiff: Symmetry-Preserving Joint Diffusion for Dual-Target Structure-Based Drug Design [31.311120889405714]
  FuseDiffは、リガンド分子グラフと両ポケットに条件付き2つのポケット特異的結合ポーズを共同生成するエンドツーエンド拡散モデルである。 ベンチマークと実世界のデュアルターゲットシステムの実験は、FuseDiffが最先端のドッキング性能を達成することを示している。
  論文  参考訳（メタデータ） (2026-03-05T14:22:59Z)
• Reprogramming Pretrained Target-Specific Diffusion Models for Dual-Target Drug Design [21.666641467687214]
  生成タスクとして二重ターゲットのドラッグデザインを定式化し、シナジスティックな薬物の組み合わせに基づいて、潜在的なターゲットペアの新たなデータセットをキュレートする。 本稿では,単一ターゲットタンパク質-リガンド複合体対で訓練された拡散モデルを用いた二重ターゲット薬物の設計を提案する。 我々のアルゴリズムは、単一目標事前学習で得られた知識をゼロショット方式で二重目標シナリオに転送することができる。
  論文  参考訳（メタデータ） (2024-10-28T02:48:31Z)
• Aligning Target-Aware Molecule Diffusion Models with Exact Energy Optimization [147.7899503829411]
  AliDiffは、事前訓練されたターゲット拡散モデルと望ましい機能特性を整合させる新しいフレームワークである。 最先端の結合エネルギーを持つ分子を最大7.07 Avg. Vina Scoreで生成することができる。
  論文  参考訳（メタデータ） (2024-07-01T06:10:29Z)
• 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)
• DecompDiff: Diffusion Models with Decomposed Priors for Structure-Based Drug Design [62.68420322996345]
  既存の構造に基づく薬物設計法は、すべての配位子原子を等しく扱う。 腕と足場を分解した新しい拡散モデルDecompDiffを提案する。 提案手法は,高親和性分子の生成における最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-02-26T05:21:21Z)
• Protein Design with Guided Discrete Diffusion [67.06148688398677]
  タンパク質設計における一般的なアプローチは、生成モデルと条件付きサンプリングのための識別モデルを組み合わせることである。 離散拡散モデルのためのガイダンス手法であるdiffusioN Optimized Smpling (NOS)を提案する。 NOSは、構造に基づく手法の重要な制限を回避し、シーケンス空間で直接設計を行うことができる。
  論文  参考訳（メタデータ） (2023-05-31T16:31:24Z)

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。