論文の概要: A General-Purpose Molecular Foundation Model Transfers Across Diverse Olfactory Tasks

• arxiv url: http://arxiv.org/abs/2608.25893v1
• Date: Wed, 26 Aug 2026 15:11:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.875763
• Title: A General-Purpose Molecular Foundation Model Transfers Across Diverse Olfactory Tasks
• Title（参考訳）: 汎用分子基盤モデルによる多様な嗅覚課題間の伝達
• Authors: Yikun Han, Yi Wang, Neil Mankodi, Stephen Yang, Ambuj Tewari,
• Abstract要約: 本研究では,単一標準嗅覚予測タスクを微調整した分子基盤モデルを用いて,多種多様な機械の作用問題間で伝達される表現を学習できるかどうかを考察する。 GS-LFベンチマークのUni-Mol2を多ラベル匂い記述子予測のために微調整し、追加のディープラーニングトレーニングなしで結果モデルを評価する。 微調整されたモデルは、GS-LFベンチマークにおける最先端のウルフアクション固有のベースラインのパフォーマンスと一致し、これらの下流評価を一貫して転送する。
• 参考スコア（独自算出の注目度）: 21.327527107800016
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Foundation models have transformed molecular property prediction, yet it remains unclear whether a molecular foundation model, fine-tuned on a single canonical olfactory prediction task, can learn representations that transfer across diverse machine olfaction problems. We investigate this question by fine-tuning Uni-Mol2 on the GS-LF benchmark for multi-label odor descriptor prediction and evaluating the resulting model, without additional deep-learning training, on four complementary downstream settings: cross-dataset odor descriptor prediction, odorous-versus-odorless classification, enantiomer evaluation, and odor mixture discriminability. The fine-tuned model matches or exceeds the performance of the state-of-the-art olfaction-specific baseline on the primary GS-LF benchmark and consistently transfers across these downstream evaluations. The enantiomer analysis further shows that three-dimensional molecular representations distinguish mirror-image molecules in a way that two-dimensional graph models fundamentally cannot, although accurately predicting the perceptual consequences of stereochemistry remains an open challenge. Together, these results support a train-once, transfer-across-tasks paradigm for machine olfaction and suggest that chemically pretrained molecular representations provide a strong foundation for transferable olfactory prediction.
• Abstract（参考訳）: 基礎モデルは分子特性予測を変容させたが、単一の標準嗅覚予測タスクで微調整された分子基盤モデルが、多様な機械の嗅覚問題を伝達する表現を学習できるかどうかは不明である。 マルチラベルの匂い記述子予測のためのGS-LFベンチマークでUni-Mol2を微調整し,さらに深層学習訓練を行わずに,次の4つの相補的な下流設定(クロスデータセットの匂い記述子予測,臭気-無臭分類,エナンチオマー評価,臭気混合識別性)でモデルの評価を行った。 微調整されたモデルは、GS-LFベンチマークにおける最先端のウルフアクション固有のベースラインのパフォーマンスと一致し、これらの下流評価を一貫して転送する。 エナンチオマー分析により、立体化学の知覚結果を正確に予測しながらも、2次元グラフモデルが基本的に不可能な方法でミラー像分子を3次元分子表現が区別できることが示される。 これらの結果は共に、機械の嗅覚に対するトレイン・オンス・トランスファー・アクロス・タスクのパラダイムを支持し、化学的に事前訓練された分子表現が転写可能な嗅覚予測の強力な基盤となることを示唆している。

関連論文リスト

• Monroe: A Molecular Foundation Model for In-Context Probabilistic Inference [1.3774496879239961]
  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。
  論文  参考訳（メタデータ） (2026-08-19T14:48:19Z)
• SCENT: Aligning Mass Spectra with Molecular Structure for Olfactory Perception [48.96518000981492]
  直接電子イオン化質量分析法(EI-MS)を嗅覚予測のための代替入力モードとして検討する。 我々は、EI-MS表現と予め訓練された化学構造埋め込みを整合させるマルチモーダルコントラスト学習フレームワークであるSpectrum-to-Chemical EmbeddingalignedmeNT(SCENT)を寄贈する。 マルチラベルの匂い記述子予測タスクでは、SCENTはMSのみのベースラインを著しく上回り、構造ベースモデルに匹敵する嗅覚性能を達成する。
  論文  参考訳（メタデータ） (2026-05-26T13:28:57Z)
• Test-Time Tuned Language Models Enable End-to-end De Novo Molecular Structure Generation from MS/MS Spectra [31.563216077422084]
  タンデム質量分析法は、代謝学、天然物発見、環境分析などの重要な分野における未知化合物の同定を可能にする。 テスト時間チューニングを活用することで,事前学習されたトランスフォーマーモデルの学習を向上し,このギャップに対処するフレームワークを導入する。 我々は、NPLIB1とMassSpecGymの2つの人気のあるベンチマークで、DiffMSのデファクトステート・オブ・ザ・アーティカルアプローチを100%と20%上回った。
  論文  参考訳（メタデータ） (2025-10-27T18:25:36Z)
• Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
  MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。 我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
  論文  参考訳（メタデータ） (2025-10-20T17:56:01Z)
• Enhancing Chemical Explainability Through Counterfactual Masking [1.1024591739346294]
  マスクされたサブストラクチャを化学的に合理的な断片に置き換えるフレームワークである反ファクトファクトマスキングを提案する。 我々のアプローチは、説明可能性と分子設計のギャップを埋め、化学における説明可能な機械学習への原則的で生成的な経路を提供する。
  論文  参考訳（メタデータ） (2025-08-25T23:41:36Z)
• 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)
• Conditional Synthesis of 3D Molecules with Time Correction Sampler [58.0834973489875]
  Time-Aware Conditional Synthesis (TACS) は拡散モデルにおける条件生成の新しい手法である。 適応的に制御されたプラグアンドプレイの"オンライン"ガイダンスを拡散モデルに統合し、サンプルを所望の特性に向けて駆動する。
  論文  参考訳（メタデータ） (2024-11-01T12:59:25Z)
• Generative structured normalizing flow Gaussian processes applied to spectroscopic data [4.0773490083614075]
  物理科学では、限られた訓練データは将来の観測データを適切に特徴づけることができない。 特に外挿を依頼される場合、モデルが不確実性を適切に示すことは重要である。 火星探査機キュリオシティに搭載されたChemCam装置のレーザ誘起分解分光データに関する方法論を実証した。
  論文  参考訳（メタデータ） (2022-12-14T23:57:46Z)
• Unraveling Key Elements Underlying Molecular Property Prediction: A Systematic Study [27.56700461408765]
  分子特性予測の根底にある重要な要素はほとんど未発見のままである。 我々は,MoreculeNetデータセット上の様々な表現を用いて,代表モデルの広範囲な評価を行う。 合計で62,820モデル、固定表現の50,220モデル、SMILES配列の4,200モデル、分子グラフの8,400モデルを含む訓練を行った。
  論文  参考訳（メタデータ） (2022-09-26T14:07:59Z)
• GeoDiff: a Geometric Diffusion Model for Molecular Conformation Generation [102.85440102147267]
  分子配座予測のための新しい生成モデルGeoDiffを提案する。 GeoDiffは、既存の最先端のアプローチよりも優れているか、あるいは同等であることを示す。
  論文  参考訳（メタデータ） (2022-03-06T09:47:01Z)
• Learning Graph Models for Retrosynthesis Prediction [90.15523831087269]
  再合成予測は有機合成の基本的な問題である。 本稿では,前駆体分子のグラフトポロジーが化学反応中にほとんど変化しないという考え方を生かしたグラフベースのアプローチを提案する。 提案モデルでは,テンプレートフリーおよび半テンプレートベースの手法よりも高い5,3.7%の精度でトップ1の精度を実現している。
  論文  参考訳（メタデータ） (2020-06-12T09:40:42Z)

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。