Fugu-MT 論文翻訳(概要): Learning Molecular Representations from Cellular Phenotypes with Structure Preservation

論文の概要: Learning Molecular Representations from Cellular Phenotypes with Structure Preservation

arxiv url: http://arxiv.org/abs/2608.02688v1
Date: Mon, 03 Aug 2026 08:33:54 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-05 15:30:22.897342
Title: Learning Molecular Representations from Cellular Phenotypes with Structure Preservation
Title（参考訳）: 構造保存による細胞型からの分子表現の学習
Abstract要約: PhenMolは表現型認識型分子表現学習のための構造保存フレームワークである。分子近傍の組織を混乱させることなく、細胞性表現型情報を統合する。これらの結果は,マルチモーダル分子表現学習における構造認識制約の重要性を強調した。
参考スコア（独自算出の注目度）: 13.321582594948218
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Phenotypic drug discovery enables the discovery of functional relationships between molecular structures and cellular responses. However, existing multimodal representation learning methods often optimize cross-modal alignment without considering the intrinsic organization of chemical space, resulting in distorted molecular representations and loss of structural information. We propose \textbf{PhenMol}, a structure-preserving framework for phenotype-aware molecular representation learning. PhenMol disentangles molecular and cellular representations into shared and private components, enabling phenotype-guided alignment while preserving chemical structures through a dedicated molecular branch. This design integrates cellular phenotype information without disrupting molecular neighborhood organization. Experiments on approximately $3.04 \times 10^{4}$ molecule--cell morphology pairs demonstrate that PhenMol improves molecular property prediction across 270 bioactivity tasks, molecule--phenotype retrieval, and clinical trial outcome prediction. Moreover, ECFP4-based structural analysis shows that PhenMol better preserves molecular neighborhoods and reduces embedding distortion compared with existing multimodal alignment methods. These results highlight the importance of structure-aware constraints in multimodal molecular representation learning and provide an effective approach for integrating cellular phenotypes with chemical knowledge for drug discovery.
Abstract（参考訳）: フェノタイプドラッグの発見は、分子構造と細胞応答の間の機能的関係の発見を可能にする。しかし、既存のマルチモーダル表現学習法は、化学空間の内在的な構成を考慮せずに、しばしばクロスモーダルアライメントを最適化し、歪んだ分子表現と構造情報の喪失をもたらす。本稿では,表現型認識型分子表現学習のための構造保存フレームワークであるtextbf{PhenMol}を提案する。 PhenMolは、分子および細胞の表現を共有およびプライベートな構成要素に分解し、専用の分子枝を通して化学構造を保持しながら表現型誘導配列を可能にする。この設計は、分子近傍の組織を混乱させることなく、細胞性表現型情報を統合する。約3.04 \times 10^{4}$分子-細胞モルフォロジーペアの実験により、PhenMolは270の生物活性タスク、分子-フェノタイプ検索、臨床治験結果予測において分子特性予測を改善することが示されている。さらに、ECFP4に基づく構造解析により、PhenMolは分子近傍をよりよく保存し、既存のマルチモーダルアライメント法と比較して埋め込み歪みを低減することが示されている。これらの結果はマルチモーダルな分子表現学習における構造認識的制約の重要性を強調し、薬物発見のための化学知識と細胞表現型を統合するための効果的なアプローチを提供する。

関連論文リスト

Mamba-driven multi-perspective structural understanding for molecular ground-state conformation prediction [69.32436472760712]
本稿では,マンバ駆動型多面的構造理解(MPSU-Mamba)による分子基底状態の局在化手法を提案する。複雑で多様な分子に対しては、対応する分子構造の包括的認識を構築するために、3種類の専用の走査戦略が検討されている。 QM9 と Molecule3D データセットの実験結果から,MPSU-Mamba が既存の手法よりも優れていたことが示唆された。
論文参考訳（メタデータ） (2025-11-10T11:18:32Z)
PhenoMoler: Phenotype-Guided Molecular Optimization via Chemistry Large Language Model [9.301996807475282]
フェノモラーは化学的に有効で、新規で多様な分子を所望の表現型プロファイルに沿って生成する。 FDAが承認した薬物と比較すると、生成された化合物は、同等または強化された薬物類似性(QED)、最適化された物理化学的性質、および主要ながん標的に対する優れた結合親和性を示す。
論文参考訳（メタデータ） (2025-09-25T09:37:19Z)
Functional Groups are All you Need for Chemically Interpretable Molecular Property Prediction [0.0]
本研究は、化学におけるFG(Functional Groups)の概念を用いて分子表現を開発することを提案する。分子の基本的な化学構造に基づいて分子をコードする新しい手法であるFGR(Functional Group Representation)フレームワークを紹介する。我々は、FGRフレームワークが33種類のベンチマークデータセットに対して最先端のパフォーマンスを達成することを実証した。
論文参考訳（メタデータ） (2025-09-11T17:01:31Z)
$\text{M}^{2}$LLM: Multi-view Molecular Representation Learning with Large Language Models [59.125833618091846]
分子構造ビュー,分子タスクビュー,分子規則ビューの3つの視点を統合した多視点フレームワークを提案する。実験によると、$textM2$LLMは、分類タスクと回帰タスクをまたいだ複数のベンチマークで最先端のパフォーマンスを達成する。
論文参考訳（メタデータ） (2025-08-12T05:46:47Z)
Mol-LLaMA: Towards General Understanding of Molecules in Large Molecular Language Model [52.84455878597969]
Mol-LLaMAは、分子を中心とした一般的な知識を把握した大きな分子言語モデルである。分子理解を改善するために,分子エンコーダの相補的な情報を統合するモジュールを提案する。
論文参考訳（メタデータ） (2025-02-19T05:49:10Z)
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)
FARM: Functional Group-Aware Representations for Small Molecules [55.281754551202326]
小型分子のための機能的グループ認識表現(FARM)について紹介する。 FARMはSMILES、自然言語、分子グラフのギャップを埋めるために設計された新しいモデルである。我々は、13のタスクのうち11のタスクで最先端のパフォーマンスを達成するMoleculeNetデータセット上で、FARMを評価した。
論文参考訳（メタデータ） (2024-10-02T23:04:58Z)
Multi-channel learning for integrating structural hierarchies into context-dependent molecular representation [10.025809630976065]
本稿では,より堅牢で一般化可能な化学知識を学習する,新しい事前学習フレームワークを提案する。提案手法は,種々の分子特性ベンチマークにおける競合性能を示す。
論文参考訳（メタデータ） (2023-11-05T23:47:52Z)
An Equivariant Generative Framework for Molecular Graph-Structure Co-Design [54.92529253182004]
分子グラフ構造アンダーラインCo設計のための機械学習ベースの生成フレームワークであるMollCodeを提案する。 MolCodeでは、3D幾何情報によって分子2Dグラフの生成が促進され、それによって分子3D構造の予測が導かれる。分子設計における2次元トポロジーと3次元幾何は本質的に相補的な情報を含んでいることが明らかとなった。
論文参考訳（メタデータ） (2023-04-12T13:34:22Z)
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)

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。