論文の概要: Packora: Systematic Design for Generative Molecular Crystal Structure Prediction
- arxiv url: http://arxiv.org/abs/2608.26962v1
- Date: Thu, 27 Aug 2026 11:01:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-28 16:30:58.366009
- Title: Packora: Systematic Design for Generative Molecular Crystal Structure Prediction
- Title（参考訳）: Packora: 生成分子結晶構造予測のためのシステム設計
- Abstract要約: 分子結晶構造予測(CSP)のためのフローベース生成モデルであるPackoraを提案する。
Packoraは多成分および有機金属結晶をサポートし、分子コンフォメータ、立体化学ラベル、空間群情報の任意のサブセットに単一のモデルで条件付けすることができる。
我々は生成とランキングを別々に評価し、ジェネレータの品質とランキングを分離し、共通の緩和とランキングパイプラインの下でエンドツーエンドのパフォーマンスを測定する。
- 参考スコア（独自算出の注目度）: 29.599535841852727
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Molecular crystal structure prediction (CSP) is important in pharmaceuticals, agrochemicals, and organic electronics, where subtle differences in molecular conformation and packing can strongly affect material properties. We present Packora, a flow-based generative model for molecular CSP that jointly predicts atomic coordinates and the lattice from molecular graphs. Packora supports multi-component and organometallic crystals and can condition on any subset of molecular conformers, stereochemical labels, and space-group information within a single model. Inspired by the CCDC CSP blind test, we evaluate generation and ranking separately, using generation to isolate generator quality and ranking to measure end-to-end performance under a common relaxation and ranking pipeline. We also systematically study architecture, training, conditioning, inference, and scaling, identifying an effective design based on cacheable pairwise reasoning, training objective and numerical solver choices, conditioning dropout, and balanced scaling of pairwise and single representations. Packora outperforms the baselines on both structure generation and ranking benchmarks, achieving the best matched-budget coverage across all six generation benchmarks, as well as higher experimental-form recovery, lower experimental-form ranks, and faster convergence in ranking.
- Abstract（参考訳）: 分子結晶構造予測(分子結晶構造予測、英: molecular crystal structure prediction、CSP)は、医薬品、農薬、有機エレクトロニクスにおいて重要である。
分子グラフから原子座標と格子を共同で予測する分子CSPのフローベース生成モデルであるPackoraを提案する。
Packoraは多成分および有機金属結晶をサポートし、分子コンフォメータ、立体化学ラベル、空間群情報の任意のサブセットに単一のモデルで条件付けすることができる。
CCDC CSPブラインドテストにインスパイアされた我々は、生成とランキングを別々に評価し、ジェネレータの品質とランキングを分離し、共通の緩和とランキングパイプラインの下でエンドツーエンドのパフォーマンスを測定する。
また、アーキテクチャ、トレーニング、条件付け、推論、スケーリングを体系的に研究し、キャッシュ可能なペアワイズ推論、トレーニング目標と数値ソルバ選択、条件付けドロップアウト、ペアワイズとシングル表現のバランスの取れたスケーリングに基づく効果的な設計を同定する。
Packoraは、構造生成とランキングベンチマークの両方のベースラインを上回り、すべての6世代ベンチマークでベストマッチした予算カバレッジを達成し、より高い実験形式回復、低い実験形式ランク、より高速なランキング収束を実現している。
関連論文リスト
- Representations from Pretrained Machine-Learning Interatomic Potentials as Coarse Coordinates for Material Generation and Evaluation [2.6310284833506414]
我々は、事前学習された機械学習原子間ポテンシャル(MLIP)から得られる原子平均的特徴のパワーを示す。
まず,材料生成モデルの出力を評価する距離尺度を導入する。
粗いMACE特徴を材料生成モデルのガイダンスとして用いることができることを示す。
論文 参考訳（メタデータ） (2026-07-30T18:56:34Z) - An Additive MLP-GNN Framework for Characterizing Chemical and Structural Contributions to Aqueous Solubility [0.40105987447353786]
水溶性は、早期の薬物発見の鍵となる性質である。
ほとんどの予測モデルは、物理化学的記述子と分子グラフ情報を単一の表現に統合する。
この2つの情報ソースをトレーニングを通じて分離する付加的なディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-02T14:21:44Z) - Sesame: Structure-Aware Molecular Generation via Spatial Density-Map Conditioning [0.0]
本稿では拡散型分子生成モデルであるSesameを紹介する。
デノボ生成とフラグメント条件付きリード最適化の両方をサポートする。
セサマはタンパク質-リガンドデータセットの大きなコーパスで訓練されている。
論文 参考訳（メタデータ） (2026-06-22T18:48:10Z) - A Systematic Survey and Benchmark of Deep Learning for Molecular Property Prediction in the Foundation Model Era [57.5440098776759]
分子特性予測は、量子化学、化学情報学、深層学習を統合し、分子構造と生物学的挙動を結びつける。
この調査は、Quantum、Descriptor Machine Learning、Geometric Deep Learning、Foundation Modelsの4つの補完パラダイムをトレースする。
ベンチマーク分析は、広く使われているデータセットと業界的な視点を反映したデータセットの両方からエビデンスを統合する。
論文 参考訳（メタデータ） (2026-04-17T15:16:33Z) - Scaling Atomistic Protein Binder Design with Generative Pretraining and Test-Time Compute [64.59043351161004]
両パラダイムを統一する新規な完全原子結合体生成法であるProteina-Complexaを提案する。
Proteina-Complexa は計算バインダー設計ベンチマークにおける新しい技術状態を設定する。
また, 界面水素結合最適化, フォールドクラス誘導結合体生成, 小分子ターゲットへの拡張, 酵素設計タスクについても述べる。
論文 参考訳（メタデータ） (2026-03-30T01:54:03Z) - OrgFlow: Generative Modeling of Organic Crystal Structures from Molecular Graphs [4.5375644408112565]
分子グラフから直接有機結晶構造を予測するためのフローマッチングモデルを提案する。
結合認識損失は、結合長さと接続性の分布を強制することによって、モデルが現実的な局所化学へ導かれる。
実験の結果,提案手法は既存のベースラインの10倍以上のマッチング率を達成することがわかった。
論文 参考訳（メタデータ） (2026-02-22T04:01:06Z) - Dual-Axis RCCL: Representation-Complete Convergent Learning for Organic Chemical Space [5.782261680001994]
本稿では,分子表現によって実現されるRCCL(Dual-Axis Representation-Complete Convergent Learning)戦略を紹介する。
このフレームワークは表現完全性を形式化し、収束学習をサポートする原則付きデータセット構築の基礎を確立する。
この結果は,分子表現,構造的完全性,モデル一般化の定量的リンクを確立し,解釈可能,伝達可能,およびデータ効率のよい分子インテリジェンスの基礎となる。
論文 参考訳（メタデータ） (2025-12-16T14:05:58Z) - OXtal: An All-Atom Diffusion Model for Organic Crystal Structure Prediction [63.318434943975255]
分子内コンフォーメーションと周期的パッキングの条件付き関節分布を学習する大規模100Mパラメータ全原子拡散モデルであるOXtalを導入する。
実験的に検証された600Kの結晶構造の大規模なデータセットを活用することで、OXtalは、以前のabinitio機械学習CSPメソッドよりも改善の順序を達成できる。
オキシタルは80%以上のパッキング類似率を獲得し、分子結晶化の熱力学的および運動論的規則性の両方をモデル化する能力を示している。
論文 参考訳（メタデータ） (2025-12-07T20:46:30Z) - Learning Cell-Aware Hierarchical Multi-Modal Representations for Robust Molecular Modeling [74.25438319700929]
分子と細胞応答の局所的グローバル依存性をモデル化する堅牢なフレームワークであるCHMR(Cell-aware Hierarchical Multi-modal Representations)を提案する。
728タスクにまたがる9つの公開ベンチマークで評価され、CHMRは最先端のベースラインを上回っている。
その結果, 階層認識型マルチモーダル学習による分子表現の信頼性, 生物学的基盤化の利点が示された。
論文 参考訳（メタデータ） (2025-11-26T07:15:00Z) - 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) - DiffMS: Diffusion Generation of Molecules Conditioned on Mass Spectra [60.39311767532607]
本稿では,DiffMSを提案する。DiffMS,式制限付きエンコーダ・デコーダ生成ネットワークは,このタスクにおける最先端性能を実現する。
遅延埋め込みと分子構造をブリッジするロバストデコーダを開発するために,フィンガー構造対による拡散デコーダの事前訓練を行う。
確立されたベンチマーク実験により、DiffMSはデノボ分子生成における既存のモデルよりも優れていることが示された。
論文 参考訳（メタデータ） (2025-02-13T18:29:48Z) - Retrieval-based Controllable Molecule Generation [63.44583084888342]
制御可能な分子生成のための検索に基づく新しいフレームワークを提案する。
我々は、与えられた設計基準を満たす分子の合成に向けて、事前学習された生成モデルを操るために、分子の小さなセットを使用します。
提案手法は生成モデルの選択に非依存であり,タスク固有の微調整は不要である。
論文 参考訳（メタデータ） (2022-08-23T17:01:16Z)
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。