論文の概要: Monroe: A Molecular Foundation Model for In-Context Probabilistic Inference

• arxiv url: http://arxiv.org/abs/2608.18982v1
• Date: Wed, 19 Aug 2026 14:48:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.430778
• Title: Monroe: A Molecular Foundation Model for In-Context Probabilistic Inference
• Title（参考訳）: Monroe: インコンテキスト確率的推論のための分子基盤モデル
• Abstract要約: バイオアッセイ活動予測は、薬物発見データセットがデータ生成と評価のために時間と費用のかかるウェットラブ実験に費やされているため、しばしばデータ制限を受ける。 本稿では,分子基盤モデルであるMonroeについて述べる。
• 参考スコア（独自算出の注目度）: 1.3774496879239961
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bioassay activity prediction is often data-limited because drug-discovery datasets rely on time-consuming and expensive wet-lab experiments for data generation and evaluation. This challenge has inspired recent research into molecular foundation models (MFMs), which aim to encode general-purpose chemical knowledge into molecular representations that generalize well in data-constrained scenarios. This paper presents Monroe, a new MFM with several innovations over the existing state of the art: increased scale allowing pre-training on over 81 million molecules from the PM6 quantum chemistry dataset; improved graph representation of stereochemistry; improved training losses including conformer denoising and embedding decorrelation; improved multi-task learning; and the use of a prior-data-fitted model (TabPFN) for downstream in-context prediction. Our evaluations use a principled pairwise comparison framework that measures statistically significant performance differences. Across established Polaris benchmarks, Monroe matches or exceeds existing MFMs, while on activity cliff benchmarks, designed to assess utility for molecular discovery, it achieves significant improvements over prior methods. Finally, ablation and transfer experiments show that PFN-based downstream predictors also substantially improve two leading existing models, MiniMol and CheMeleon, yielding new state-of-the-art variants we call MiniMol_PFN and CheMeleon_PFN, suggesting that our downstream adaptation strategy generalizes beyond Monroe. Source code is at github.com/blazejba/monroe.
• Abstract（参考訳）: 薬物発見データセットはデータ生成と評価に時間を要する高価なウェットラブ実験に依存しているため、バイオアッセイ活動の予測はデータ制限されることが多い。 この課題は、汎用的な化学知識をデータ制約シナリオでよく一般化する分子表現に符号化することを目的とした分子基盤モデル(MFM)に関する最近の研究にインスピレーションを与えている。 本稿では,PM6量子化学データセットから8100万以上の分子を事前学習可能な拡張スケール,立体化学のグラフ表現の改善,コンフォメータのデコリレーションや埋め込みデコリレーションを含むトレーニング損失の改善,マルチタスク学習の改善,下流の文脈予測のための事前データ適合モデル(TabPFN)の使用など,既存の最先端技術にいくつかの革新をもたらす新しいMFMであるMonroeについて述べる。 本評価では,統計的に有意な性能差を計測する一対比較の原理を用いて評価を行った。 確立されたポラリスベンチマーク全体では、モンローは既存のMFMと一致または上回っているが、分子発見のための有用性を評価するために設計された活動崖ベンチマークでは、以前の方法よりも大幅に改善されている。 最後に、アブレーションと転送実験により、PFNベースの下流予測器は、MiniMolとCheMeleonの2つの主要な既存モデルを大幅に改善し、MiniMol_PFNとCheMeleon_PFNと呼ばれる新しい最先端の変種が得られることが示され、下流適応戦略がモンローを超えて一般化されることが示唆された。 ソースコードはgithub.com/blazejba/monroeにある。

関連論文リスト

• Tabular foundation models for in-context prediction of molecular properties [44.41091354279448]
  タブラル基礎モデル(TFM)は、コンテキスト内学習を通じて予測を行い、タスク固有のトレーニングなしで推論を可能にする。 我々は、標準化された医薬品のベンチマークと化学工学のデータセットの両方で、低・中・データ体制におけるTFMを評価した。 ベンチマーク全体を通して、この手法は微調整に比べて計算コストを抑えながら優れた予測性能を示す。
  論文  参考訳（メタデータ） (2026-04-17T14:58:43Z)
• Can Molecular Foundation Models Know What They Don't Know? A Simple Remedy with Preference Optimization [54.22711328577149]
  既存の基盤モデルと柔軟に統合可能なプラグイン・アンド・プレイモジュールである,分子適応型参照インスタンスランキング(Mole-PAIR)を導入する。 本手法は既存の分子基盤モデルのOOD検出能力を著しく向上することを示す。
  論文  参考訳（メタデータ） (2025-09-29T21:06:52Z)
• Composable Score-based Graph Diffusion Model for Multi-Conditional Molecular Generation [85.58520120011269]
  本研究では,具体的スコアを用いてスコアマッチングを離散グラフに拡張するComposable Score-based Graph Diffusion Model (CSGD)を提案する。 CSGDは従来の手法よりも平均15.3%の制御性向上を実現していることを示す。 本研究は, 離散グラフ生成におけるスコアベースモデリングの実用的利点と, フレキシブルでマルチプロパタイトな分子設計のためのキャパシティを強調した。
  論文  参考訳（メタデータ） (2025-09-11T13:37:56Z)
• Benchmarking Pretrained Molecular Embedding Models For Molecular Representation Learning [0.0]
  事前学習されたニューラルネットワークは化学や小さな分子の薬物設計に大きな関心を集めている。 本研究は,25データセットにまたがる25モデルについて,これまでで最も広範な比較を行ったものである。
  論文  参考訳（メタデータ） (2025-08-08T10:29:24Z)
• Robust Molecular Property Prediction via Densifying Scarce Labeled Data [53.24886143129006]
  薬物発見において、研究を進める上で最も重要な化合物は、しばしば訓練セットを越えている。 本稿では, ラベル付きデータを利用して, 分布内データ(ID)と分布外データ(OOD)を補間する2段階最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-06-13T15:27:40Z)
• Pre-trained Molecular Language Models with Random Functional Group Masking [54.900360309677794]
  SMILESをベースとしたアンダーリネム分子アンダーリネム言語アンダーリネムモデルを提案し,特定の分子原子に対応するSMILESサブシーケンスをランダムにマスキングする。 この技術は、モデルに分子構造や特性をよりよく推測させ、予測能力を高めることを目的としている。
  論文  参考訳（メタデータ） (2024-11-03T01:56:15Z)
• Analysis of Atom-level pretraining with Quantum Mechanics (QM) data for Graph Neural Networks Molecular property models [0.0]
  量子力学(QM)データを用いた原子レベルの事前トレーニングは、トレーニングデータとテストデータ間の分布類似性に関する仮定違反を軽減することができることを示す。 隠れ状態の分子表現を解析し、QMデータに対する分子レベルと原子レベルの事前学習の効果を比較するのは、これが初めてである。
  論文  参考訳（メタデータ） (2024-05-23T17:51:05Z)
• MolCAP: Molecular Chemical reActivity pretraining and prompted-finetuning enhanced molecular representation learning [3.179128580341411]
  MolCAPは、化学反応性(IMR)知識に基づくグラフ事前学習トランスフォーマーであり、微調整を誘導する。 MolCAPによって推進され、基礎的なグラフニューラルネットワークでさえ、以前のモデルを上回る驚くべきパフォーマンスを達成することができる。
  論文  参考訳（メタデータ） (2023-06-13T13:48:06Z)
• Molecule-Morphology Contrastive Pretraining for Transferable Molecular Representation [0.0]
  分子グラフと細胞形態のマルチモーダル表現を学習するためのフレームワークであるMoCoP(Moecule-Morphology Contrastive Pretraining)を紹介する。 我々は、JUMP-CPコンソーシアムのデータを用いて、MoCoPを約100K分子と600K形態素にスケールする。 この結果から,MoCoPを用いた細胞形態と分子グラフの統合により,QSARモデルの性能が著しく向上することが示唆された。
  論文  参考訳（メタデータ） (2023-04-27T02:01:41Z)
• Pre-training via Denoising for Molecular Property Prediction [53.409242538744444]
  本稿では,3次元分子構造の大規模データセットを平衡に利用した事前学習手法について述べる。 近年のノイズレギュラー化の進展に触発されて, 事前学習の目的は, 雑音の除去に基づくものである。
  論文  参考訳（メタデータ） (2022-05-31T22:28:34Z)
• Improving Molecular Representation Learning with Metric Learning-enhanced Optimal Transport [49.237577649802034]
  分子レグレッション問題に対する一般化能力を高めるために,MROTと呼ばれる新しい最適輸送ベースアルゴリズムを開発した。 MROTは最先端のモデルよりも優れており、新しい物質の発見を加速する有望な可能性を示している。
  論文  参考訳（メタデータ） (2022-02-13T04:56:18Z)
• Assessing Graph-based Deep Learning Models for Predicting Flash Point [52.931492216239995]
  グラフベースのディープラーニング(GBDL)モデルは初めてフラッシュポイントを予測するために実装された。 MPNNの平均R2と平均絶対誤差(MAE)は、それぞれ2.3%低、2.0K高である。
  論文  参考訳（メタデータ） (2020-02-26T06:10:12Z)

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。