論文の概要: Recovering molecules from coarse-grained beads: free-energy-conditioned generative backmapping across chemical space
- arxiv url: http://arxiv.org/abs/2609.04432v1
- Date: Thu, 03 Sep 2026 19:53:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-07 18:15:23.807842
- Title: Recovering molecules from coarse-grained beads: free-energy-conditioned generative backmapping across chemical space
- Title（参考訳）: 粗粒ビーズからの分子の回収--化学空間における自由エネルギー条件による生成バックマッピング
- Abstract要約: 伝達可能な粗粒(CG)力場は、原子を還元された相互作用ビーズに集約することで化学空間を圧縮する。
ここでは、ジュニパーを導入し、条件付きグラフ生成として構成バックマッピングを定式化する。
ジュニパーは2つのビーズ標的に対して93%有効で92%ユニークな分子を生成する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Transferable coarse-grained (CG) force fields compress chemical space: by aggregating atoms into a reduced set of interaction beads, models such as MARTINI reduce the number of distinguishable compounds by roughly three orders of magnitude, making high-throughput screening of thermodynamic properties tractable across soft matter, with drug--membrane permeability as a well-developed example. The compression is lossy and, so far, one-way: a screen returns a combination of beads, with no established route back to the compounds it stands for. Recovering those compounds--compositional backmapping--is a one-to-many inverse map, distinct from the better-studied conformational problem of rebuilding atomic coordinates from a known mapping. Here we formulate compositional backmapping as conditional graph generation by introducing juniper, a discrete denoising diffusion model over molecular graphs conditioned on the octanol--water partition free energy $ΔG_{\mathrm{W} \mapsto \mathrm{O}}$, the principal driver of MARTINI bead type assignment and hence a proxy for bead identity. Trained on molecules of up to 9 heavy atoms mapped onto one or two beads, juniper generates molecules that are 93\% valid and 92\% unique for two-bead targets, and whose $ΔG_{\mathrm{W} \mapsto \mathrm{O}}$ distributions track the target $ΔG^{\mathrm{CG}}_{\mathrm{W} \mapsto \mathrm{O}}$ linearly ($r^{2} \geq 0.96$), departing only in the hydrophobic and hydrophilic tails. Although the model receives no chemical information beyond a single scalar, the functional groups shift systematically with the imposed free energy, from branched hydrocarbons at the apolar end to amides, imides, and isocyanates at the polar end. A bead combination flagged by a CG screen can therefore be turned into candidate molecules for atomistic study or synthesis.
- Abstract（参考訳）: 伝達可能な粗粒(CG)力場は化学空間を圧縮する:原子を還元された相互作用ビーズに集約することで、MARTINIのようなモデルでは、識別可能な化合物の数をおよそ3桁に減らし、ソフトマターをまたいで熱力学的性質を高いスループットでスクリーニングし、薬物-膜透過性(英語版)をよく研究した例である。
圧縮が損なわれており、これまでのところ、スクリーンがビーズの組み合わせを返却する。
これらの化合物を復元する-合成バックマッピング--は、既知の写像から原子座標を再構築するより良い研究されたコンフォメーション問題とは異なる、一対多の逆写像である。
ここでは、オクタノール-水分配自由エネルギー $ΔG_{\mathrm{W} \mapsto \mathrm{O}}$, MARTINI bead type assignment の主ドライバであり、従ってビーズアイデンティティーのプロキシである分子グラフ上での離散化拡散モデルであるJuniperを導入することにより、コンポジションバックマッピングを条件グラフ生成として定式化する。
1つまたは2つのビーズにマッピングされた9個の重原子の分子に基づいて、ジュニパーは2つのビーズターゲットに対して93 %、92 %の分子を生成し、その分布は標的である$ΔG^{\mathrm{CG}}_{\mathrm{W} \mapsto \mathrm{O}} をトラックする。
このモデルでは1つのスカラーを超える化学的情報は得られないが、官能基は、非極端の分岐炭化水素から極端のアミド、イミド、イソシアネートへと、強制された自由エネルギーとともに体系的に変化する。
したがって、CGスクリーンでフラグ付けされたビーズの組み合わせは、原子学の研究や合成の候補分子にすることができる。
関連論文リスト
- Parity Anomaly as Modular Commutator with Massless Dirac Fermion [1.467085109524245]
モジュラー整流器$J(A,B,C) = ilangle[K_AB,K_BC]rangle$は、エンハンパップされた2d状態の単一バルク波動関数からキラル中心電荷$c_-$を抽出することを示す。
保護されたカイラルエッジモードがバルクディラックノードと共存すると、3J/= c_-+frac12$ が得られる。
論文 参考訳（メタデータ） (2026-08-26T17:43:50Z) - A non-Hermitian Su-Schrieffer-Heeger model with the energy levels of free parafermions [0.0]
我々は単位セル毎に$p$軌道を持つ自由フェルミオンに対して非エルミートモデルを生成する。
グラフェンへのアプローチも適用し、単層グラフェンの平方根ハミルトニアンに$AA$スタックされた二層グラフェンが進化することを示した。
論文 参考訳（メタデータ） (2025-08-15T17:11:24Z) - Collective Polaritonic Effects on Chemical Dynamics Suppressed by Disorder [0.0]
truncated equations (d-CUT-E) を用いた強力な定式化、無秩序な集合力学を提案する。
d-CUT-Eを用いて、線形光学スペクトルから評価される強い結合は、偏光子化学の指標として不十分である。
論文 参考訳（メタデータ） (2023-08-07T23:45:14Z) - Functional-Group-Based Diffusion for Pocket-Specific Molecule Generation and Elaboration [63.23362798102195]
ポケット特異的分子生成とエラボレーションのための機能群に基づく拡散モデルD3FGを提案する。
D3FGは分子を、剛体として定義される官能基と質量点としてのリンカーの2つのカテゴリに分解する。
実験では, より現実的な3次元構造, タンパク質標的に対する競合親和性, 薬物特性の良好な分子を生成できる。
論文 参考訳（メタデータ） (2023-05-30T06:41:20Z) - A Group Symmetric Stochastic Differential Equation Model for Molecule Multi-modal Pretraining [40.02834704975147]
分子プレトレーニングは、AIベースの薬物発見のパフォーマンスを高めるために、急速にゴーツースキーマになっている。
本稿では,2次元トポロジーから3次元反射を生成するMoleculeSDEを提案する。
プレトレーニングベースライン17点と比較することにより,32のダウンストリームタスク中26点において,MoleculeSDEが最先端のパフォーマンスを持つ表現表現を学習できることを実証的に検証する。
論文 参考訳（メタデータ） (2023-05-28T15:56:02Z) - MUDiff: Unified Diffusion for Complete Molecule Generation [104.7021929437504]
本稿では,原子の特徴,2次元離散分子構造,および3次元連続分子座標を含む分子の包括的表現を生成する新しいモデルを提案する。
拡散過程を認知するための新しいグラフトランスフォーマーアーキテクチャを提案する。
我々のモデルは、安定で多様な分子を設計するための有望なアプローチであり、分子モデリングの幅広いタスクに適用できる。
論文 参考訳（メタデータ） (2023-04-28T04:25:57Z) - A hybrid quantum algorithm to detect conical intersections [39.58317527488534]
実分子ハミルトニアンに対して、ベリー相は選択された経路に沿って変分アンザッツの局所的最適性をトレースすることによって得られることを示す。
フォーマルジミン分子の小さな玩具モデルへのアルゴリズムの適用を数値的に示す。
論文 参考訳（メタデータ） (2023-04-12T18:00:01Z) - DiffBP: Generative Diffusion of 3D Molecules for Target Protein Binding [51.970607704953096]
従来の研究は通常、原子の要素タイプと3次元座標を1つずつ生成する自己回帰的な方法で原子を生成する。
現実世界の分子系では、分子全体の原子間の相互作用が大域的であり、原子間のエネルギー関数が結合する。
本研究では、標的タンパク質に基づく分子3次元構造の生成拡散モデルを構築し、非自己回帰的に全原子レベルで構築する。
論文 参考訳（メタデータ） (2022-11-21T07:02:15Z) - Exploring Chemical Space with Score-based Out-of-distribution Generation [57.15855198512551]
生成微分方程式(SDE)にアウト・オブ・ディストリビューション制御を組み込んだスコアベース拡散方式を提案する。
いくつかの新しい分子は現実世界の薬物の基本的な要件を満たしていないため、MOODは特性予測器からの勾配を利用して条件付き生成を行う。
我々はMOODがトレーニング分布を超えて化学空間を探索できることを実験的に検証し、既存の方法で見いだされた分子、そして元のトレーニングプールの上位0.01%までも生成できることを実証した。
論文 参考訳（メタデータ） (2022-06-06T06:17:11Z) - 3DLinker: An E(3) Equivariant Variational Autoencoder for Molecular
Linker Design [9.806910643086043]
本稿では,アンカー原子を予測し,リンカーグラフとその3D構造を共同生成できる条件生成モデル3DLinkerを提案する。
我々のモデルは、分子グラフの回収において著しく高い速度を持ち、さらに重要なことは、全ての原子の3次元座標を正確に予測することである。
論文 参考訳（メタデータ） (2022-05-15T15:26:29Z) - 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) - ASGN: An Active Semi-supervised Graph Neural Network for Molecular
Property Prediction [61.33144688400446]
本稿では,ラベル付き分子とラベルなし分子の両方を組み込んだ,アクティブ半教師付きグラフニューラルネットワーク(ASGN)を提案する。
教師モデルでは,分子構造や分子分布から情報を共同で活用する汎用表現を学習するための,新しい半教師付き学習手法を提案する。
最後に,分子多様性の観点から,フレームワーク学習全体を通して情報的データを選択するための新しい能動的学習戦略を提案する。
論文 参考訳（メタデータ） (2020-07-07T04:22:39Z)
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。