Fugu-MT 論文翻訳(概要): Language-Informed Flow Matching for Trend-Guided Structure-Based 3D Molecular Generation

論文の概要: Language-Informed Flow Matching for Trend-Guided Structure-Based 3D Molecular Generation

arxiv url: http://arxiv.org/abs/2608.31009v1
Date: Mon, 31 Aug 2026 15:57:09 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-01 18:31:31.493437
Title: Language-Informed Flow Matching for Trend-Guided Structure-Based 3D Molecular Generation
Title（参考訳）: トレンド誘導構造に基づく3次元分子生成のための言語インフォームドフローマッチング
Abstract要約: 構造に基づく薬物設計(SBDD)は、3D標的親和性と1D化学的妥当性の両方を満たす必要がある。既存の制御可能な生成方法は、タスク固有の微調整や、外部に課された幾何的なサンプリング時間ガイダンスに依存していることが多い。トレンド誘導3次元分子生成のためのフローマッチングに基づく言語インフォームド・クロスモーダル・フレームワークLiFTを提案する。
参考スコア（独自算出の注目度）: 12.578501426205792
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Structure-based drug design (SBDD) requires ligands that satisfy both 3D target affinity and 1D chemical validity. Existing controllable generation methods often rely on task-specific fine-tuning or externally imposed sampling-time guidance, adding cost and potentially conflicting with evolving 3D geometric constraints. We propose LiFT, a language-informed cross-modal framework built on Flow Matching for trend-guided 3D molecular generation across both de novo design and scaffold hopping. LiFT uses a "Sense-Evolve-Assemble" agent to generate target-aware SMILES as intermediate chemical conditions, from which a pre-trained chemical foundation model extracts continuous semantic priors. These priors are integrated into geometric generation through a lightweight semantic projector with zero-initialized adaptive normalization for stable cross-modal conditioning. We further introduce a Self-Conditioned Decoupled Router (SCDR), which modulates the velocity field according to intermediate structural states during ODE integration. Experiments on Cross-Docked2020 show that LiFT achieves competitive distribution matching while improving medicinal chemistry metrics and maintaining competitive structural validity under task-steering settings without additional generator fine-tuning. Our results suggest that language-derived chemical priors provide effective trend-level guidance for 3D molecular generation. Code and released artifacts are available at https://github.com/kasurl/LiFT.
Abstract（参考訳）: 構造に基づく薬物設計(SBDD)は、3D標的親和性と1D化学的妥当性の両方を満たすリガンドを必要とする。既存の制御可能な生成法は、しばしばタスク固有の微調整や外部に課されたサンプリングタイムガイダンスに依存し、コストを加算し、進化する3D幾何学的制約と矛盾する可能性がある。本稿では,フローマッチングをベースとした言語インフォームド・クロスモーダル・フレームワークLiFTを提案する。 LiFT は "Sense-Evolve-Assemble" エージェントを使用して、目標を意識したSMILES を中間的な化学条件として生成する。これらの先行は、安定なクロスモーダル条件付けのためのゼロ初期化適応正規化を持つ軽量なセマンティックプロジェクタを通じて幾何学的生成に統合される。さらに, 自己完結型疎結合ルータ (SCDR) を導入し, ODE 統合時の中間構造状態に応じて速度場を変調する。クロスドキュメント2020の実験では、LiFTは、薬品化学の指標を改善し、追加の発電機の微調整なしにタスクステアリング環境下での競合的構造的妥当性を維持しながら、競合的な分布マッチングを実現している。以上の結果から, 言語由来の化学前駆体が3次元分子生成に有効なトレンドレベルのガイダンスを提供する可能性が示唆された。コードおよびリリースされたアーティファクトはhttps://github.com/kasurl/LiFT.comで入手できる。

関連論文リスト

APO: Unsupervised Atomic Policy Optimization for 3D Structure Prediction of Atomic Systems [64.56252173115246]
そこで本研究では, 基幹構造を不要とした非教師なしアライメントフレームワーク(Atomic Policy Optimization)を提案する。 APOは、新しい二重回帰機構を利用して、3次元原子環境にグループ相対的なポリシー最適化を適用する。この結果から,本質的な物理的整合性は,ノイズや教師付き座標マッチングよりも優れたアライメントのガイドとなる可能性が示唆された。
論文参考訳（メタデータ） (2026-07-30T17:21:58Z)
DMFlow: Disordered Materials Generation by Flow Matching [24.578652236376385]
DMFlowは、乱れた結晶に特化して設計された生成フレームワークである。フローマッチングモデルを使用して、すべての構造コンポーネントを共同で生成する。 SD,PD,混合構造を含むベンチマークをCrystallography Open Databaseからリリースした。
論文参考訳（メタデータ） (2026-02-04T16:36:58Z)
FLOWR.root: A flow matching based foundation model for joint multi-purpose structure-aware 3D ligand generation and affinity prediction [5.216915896877018]
FLOWR:rootは、ポケット対応の3Dリガンド生成のための均質なフローマッチングモデルである。デ・ノボ生成、薬局補充条件サンプリング、フラグメント・エラボレーション、親和性予測をサポートする。
論文参考訳（メタデータ） (2025-10-02T21:38:26Z)
TABASCO: A Fast, Simplified Model for Molecular Generation with Improved Physical Quality [15.030633864521562]
TABASCOは3次元分子生成のための変圧器モデルである。分子中の原子を配列として扱い、生成後に決定的に結合を再構築する。 GEOM-Drugsベンチマークでは、TABASCOは最先端のPoseBustersの有効性を達成し、最強のベースラインの約10倍の速度で推論を行う。
論文参考訳（メタデータ） (2025-07-01T16:01:58Z)
Sampling 3D Molecular Conformers with Diffusion Transformers [13.536503487456622]
拡散変換器 (DiT) は生成モデルにおいて高い性能を示した。分子へのDiTの適用は、離散的な分子グラフ情報と連続した3次元幾何学の統合など、新しい課題をもたらす。モジュールアーキテクチャを通じてこれらの課題に対処するために,DiTを適応させるフレームワークであるDiTMCを提案する。
論文参考訳（メタデータ） (2025-06-18T11:47:59Z)
DEMO:Diffusion-based Evolutionary Optimization for 3D Multi-Objective Molecular Generation [25.82864719790724]
構造的制約を満足しながら複数の目的特性を最適化することは、3次元分子発見の大きな課題である。本稿では,事前学習した拡散モデルの生成力を生かした新しい3次元分子多目的進化アルゴリズムを提案する。本手法は,拡散モデルの前方処理で定義される雑音空間におけるクロスオーバー操作を行い,親の特徴や所望のフラグメントを子孫に融合させる。
論文参考訳（メタデータ） (2025-05-16T09:32:40Z)
UniGenX: a unified generative foundation model that couples sequence, structure and function to accelerate scientific design across proteins, molecules and materials [62.72989417755985]
自然系における関数の統一生成モデルUniGenXを提案する。 UniGenXはシンボルトークンと数値トークンの混合ストリームとして異種入力を表す。ドメイン間のファンクション・アウェア・ジェネレーションに対して、最先端または競合的なパフォーマンスを達成する。
論文参考訳（メタデータ） (2025-03-09T16:43:07Z)
Exploring Discrete Flow Matching for 3D De Novo Molecule Generation [0.0]
フローマッチングは、最近提案されたジェネレーティブモデリングフレームワークで、様々なタスクにおいて印象的なパフォーマンスを実現している。本稿では,既存の手法よりも学習可能なパラメータが少ない3D de novo設計における技術性能の状態を達成した,オープンソースのFlowMol-CTMCを提案する。
論文参考訳（メタデータ） (2024-11-25T18:27:39Z)
SemlaFlow -- Efficient 3D Molecular Generation with Latent Attention and Equivariant Flow Matching [43.56824843205882]
SemlaはスケーラブルなE(3)等価メッセージパッシングアーキテクチャである。 SemlaFlowは、原子タイプ、座標、結合タイプ、正式な電荷の結合分布を生成するために訓練されている。本モデルでは,20段階のサンプリングを行ない,ベンチマークデータセットの最先端結果を生成する。
論文参考訳（メタデータ） (2024-06-11T13:51:51Z)
DecompOpt: Controllable and Decomposed Diffusion Models for Structure-based Molecular Optimization [49.85944390503957]
DecompOptは、制御可能・拡散モデルに基づく構造に基づく分子最適化手法である。 DecompOptは強いde novoベースラインよりも優れた特性を持つ分子を効率よく生成できることを示す。
論文参考訳（メタデータ） (2024-03-07T02:53:40Z)
DecompDiff: Diffusion Models with Decomposed Priors for Structure-Based Drug Design [62.68420322996345]
既存の構造に基づく薬物設計法は、すべての配位子原子を等しく扱う。腕と足場を分解した新しい拡散モデルDecompDiffを提案する。提案手法は,高親和性分子の生成における最先端性能を実現する。
論文参考訳（メタデータ） (2024-02-26T05:21:21Z)
Tailoring Molecules for Protein Pockets: a Transformer-based Generative Solution for Structured-based Drug Design [133.1268990638971]
標的タンパク質の構造に基づくデノボ薬物の設計は、新規な薬物候補を提供することができる。そこで本研究では,特定のターゲットに対して,対象薬物をスクラッチから直接生成できるTamGentという生成ソリューションを提案する。
論文参考訳（メタデータ） (2022-08-30T09:32:39Z)
GeoMol: Torsional Geometric Generation of Molecular 3D Conformer Ensembles [60.12186997181117]
分子グラフからの分子の3Dコンホメーラーアンサンブルの予測は、化学情報学と薬物発見の領域において重要な役割を担っている。既存の生成モデルは、重要な分子幾何学的要素のモデリングの欠如を含むいくつかの欠点がある。エンド・ツー・エンド、非自己回帰、SE(3)不変の機械学習手法であるGeoMolを提案し、3Dコンバータを生成する。
論文参考訳（メタデータ） (2021-06-08T14:17:59Z)

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。