論文の概要: PGFS++: Molecular Property Improvement under Synthesis and Diversity Constraints

• arxiv url: http://arxiv.org/abs/2608.19121v1
• Date: Wed, 19 Aug 2026 17:17:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.467979
• Title: PGFS++: Molecular Property Improvement under Synthesis and Diversity Constraints
• Title（参考訳）: PGFS++: 合成と多様性制約による分子特性の向上
• Authors: Boqiao Zhang, Godbless James, Sai Krishna Gottipati, Andrew Fitzgibbon,
• Abstract要約: PGFS++は、入力特異的な分子改良のための合成対応強化学習フレームワークである。 実験の結果、PGFS++は高い出力多様性を維持しながらターゲット特性を改善していることがわかった。
• 参考スコア（独自算出の注目度）: 0.33383379137458863
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Improving molecular properties, such as drug-likeness or binding affinity, is a recurring task in early-stage drug discovery. However, molecules optimized in an unconstrained chemical space have limited practical value if they cannot be synthesized. Policy Gradient for Forward Synthesis (PGFS) is a synthesis-aware reinforcement learning method for molecular improvement, but its use of reactant embedding prediction makes reactant selection indirect, which, as we show, limits learning effectiveness. We first develop PGFS+, in which reaction templates and second reactants are represented by trainable embedding lookup tables. Combined with a more effective scoring function and RL algorithm, PGFS+ significantly improves the desired property. However, it exposes a reward-hacking failure mode: a powerful reactant search can map diverse input molecules to the same high-reward magnet molecule, improving the reward while collapsing the output diversity. We therefore introduce PGFS++, a synthesis-aware reinforcement learning framework for input-specific molecular improvement. Given an input molecule, PGFS++ treats it as the start of a forward-synthesis trajectory, applies learned reaction templates with compatible in-stock building blocks, and produces a molecule with improved target properties, an explicit synthesis route, and structural similarity to the input. Experiments on molecular improvement tasks show that PGFS++ improves target properties while preserving high output diversity.
• Abstract（参考訳）: 薬物類似性や結合親和性などの分子特性の改善は、初期の薬物発見において繰り返し行われる課題である。 しかし、制約のない化学空間で最適化された分子は、合成できないと実用的価値が制限される。 The Policy Gradient for Forward Synthesis (PGFS) is a synthesis-aware reinforcement learning method for molecular improve, its use of reactant embedded prediction makes reactant selection indirect, which are show, are shown, and limit learning effective。 まずPGFS+を開発し、反応テンプレートと第二反応剤をトレーニング可能な埋め込みルックアップテーブルで表現する。 より効果的なスコアリング関数とRLアルゴリズムを組み合わせることで、PGFS+は所望の特性を大幅に改善する。 強力な反応型探索により、多様な入力分子を同じ高逆磁石分子にマッピングすることができ、出力の多様性を崩壊させ、報酬を改善することができる。 そこで我々は,入力特異的分子改良のための合成認識強化学習フレームワークPGFS++を紹介する。 PGFS++は、入力分子をフォワード合成軌道の始まりとして扱い、学習された反応テンプレートをストックビルディングブロックに適合させ、目標特性、明示的な合成経路、入力と構造的類似性を改善した分子を生成する。 分子改良タスクの実験では、PGFS++は高い出力多様性を維持しながらターゲット特性を改善している。

関連論文リスト

• 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)
• Molecule Design by Latent Prompt Transformer [76.2112075557233]
  本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。 本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-27T03:33:23Z)
• Chemical-Reaction-Aware Molecule Representation Learning [88.79052749877334]
  本稿では,化学反応を用いて分子表現の学習を支援することを提案する。 本手法は,1) 埋め込み空間を適切に整理し, 2) 分子埋め込みの一般化能力を向上させるために有効であることが証明された。 実験結果から,本手法は様々なダウンストリームタスクにおける最先端性能を実現することが示された。
  論文  参考訳（メタデータ） (2021-09-21T00:08:43Z)
• Modern Hopfield Networks for Few- and Zero-Shot Reaction Prediction [3.885603826656419]
  物理分子を実現するコンピュータ支援合成計画(CASP)はまだ初期段階にあり、大規模な分子発見を可能にする性能レベルが欠けています。 コントラスト学習により最適化された最新のHopfieldネットワーク(MHN)を用いた深層学習アーキテクチャを用いた新しい反応予測手法を提案する。 その結果,mhnのコントラスト学習アプローチは,従来の手法と対照的に,レア,シングル,さらにはトレーニング例のない反応予測に対して,少数およびゼロショットの学習を可能にすることがわかった。
  論文  参考訳（メタデータ） (2021-04-07T17:35:00Z)
• MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [51.00815310242277]
  生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。 本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
  論文  参考訳（メタデータ） (2020-10-05T20:18:42Z)

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。