論文の概要: NEAT-POCKET: Pocket-Conditioned Autoregressive 3D Molecular Generation with a Neighborhood-Guided Set Transformer

• arxiv url: http://arxiv.org/abs/2609.05097v1
• Date: Fri, 04 Sep 2026 12:50:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:24.040699
• Title: NEAT-POCKET: Pocket-Conditioned Autoregressive 3D Molecular Generation with a Neighborhood-Guided Set Transformer
• Title（参考訳）: NEAT-POCKET 周辺誘導セットトランスを用いたポケットコンディション型自己回帰型3次元分子生成
• Abstract要約: 本稿では,3次元分子生成のための自己回帰型NEATモデルのポケットコンディショニング拡張であるNEAT-POCKETを提案する。 NEAT-POCKETは、原子の置換不変性を保ち、水素原子を明示的にモデル化しながら、タンパク質ポケット環境で原子によって原子分子を生成する。
• 参考スコア（独自算出の注目度）: 3.0919057031368506
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI-driven de novo molecular design offers a promising route to accelerate early-stage drug discovery by generating novel ligands directly within target protein binding pockets. We present NEAT-POCKET, a pocket-conditioned extension of the autoregressive NEAT model for 3D molecular generation. NEAT-POCKET generates molecules atom by atom in protein pocket environments while preserving atom permutation invariance and explicitly modeling hydrogen atoms. Benchmarks on the CrossDocked and SPINDR datasets show that NEAT-POCKET achieves competitive structure-based generation performance while sampling substantially faster than existing baselines. Beyond full-molecule generation, NEAT-POCKET naturally enables pocket-conditioned fragment completion, a task directly relevant to lead optimization and scaffold elaboration. These results position NEAT-POCKET as a fast, flexible, and practical framework for structure-based drug design.
• Abstract（参考訳）: AI駆動型デノボ分子設計は、標的タンパク質結合ポケット内で新規リガンドを直接生成することにより、早期の薬物発見を加速する有望な経路を提供する。 本稿では,3次元分子生成のための自己回帰型NEATモデルのポケットコンディショニング拡張であるNEAT-POCKETを提案する。 NEAT-POCKETは、原子の置換不変性を保ち、水素原子を明示的にモデル化しながら、タンパク質ポケット環境で原子によって分子原子を生成する。 CrossDockedおよびSPINDRデータセットのベンチマークでは、NEAT-POCKETは既存のベースラインよりもかなり高速にサンプリングしながら、競合する構造ベースの生成性能を実現する。 NEAT-POCKETは全分子生成以外にも、ポケットコンディショニングされたフラグメント補完を可能にする。 これらの結果は、NEAT-POCKETを、構造に基づく医薬品設計の高速で柔軟で実践的な枠組みとして位置づけている。

関連論文リスト

• SaDiT: Efficient Protein Backbone Design via Latent Structural Tokenization and Diffusion Transformers [50.18388227899971]
  本稿では,SaProt TokenizationとDiffusion Transformer (DiT)アーキテクチャを統合することで,タンパク質のバックボーン生成を促進する新しいフレームワークであるSaDiTを提案する。 実験により、SaDiTはRFDiffusionやProteinaといった最先端モデルよりも計算速度と構造的生存性が優れていることが示された。
  論文  参考訳（メタデータ） (2026-02-06T13:50:13Z)
• SOLD: SELFIES-based Objective-driven Latent Diffusion [0.0]
  本研究では, 1次元SELFIES文字列から誘導され, 標的タンパク質に固定された潜伏空間の分子を生成する新しい潜伏拡散モデルを提案する。 本モデルでは, 標的タンパク質に対する高親和性分子を簡便かつ効率的に生成すると同時に, さらなるデータ付加による今後の改良の余地も残している。
  論文  参考訳（メタデータ） (2025-09-03T18:10:23Z)
• Prior-Guided Flow Matching for Target-Aware Molecule Design with Learnable Atom Number [14.75177520049496]
  構造に基づく薬物設計(SBDD)は、標的タンパク質に対して高い結合親和性を持つ3D分子を生成することを目的としている。 最近の生成モデルは不安定な確率力学と生成分子の大きさとタンパク質ポケット形状のミスマッチに悩まされている。 本稿では,先行相互作用誘導と学習可能な原子数予測器を備えた新規な標的認識分子生成モデルPAFlowを提案する。
  論文  参考訳（メタデータ） (2025-09-01T14:06:58Z)
• ProteinZero: Self-Improving Protein Generation via Online Reinforcement Learning [49.2607661375311]
  本稿では,逆折り畳みモデルの計算的拡張性,自動化,継続的な自己改善を可能にする新しいフレームワークであるProteinZeroを提案する。 ProteinZeroは、タンパク質設計のすべての主要な指標において、既存の手法を大幅に上回っている。 特に、CATH-4.3上で実行されるRL全体は、報酬を含む3日以内に1つの8X GPUノードで実行できる。
  論文  参考訳（メタデータ） (2025-06-09T06:08:59Z)
• 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)
• Molecule Generation for Target Protein Binding with Hierarchical Consistency Diffusion Model [17.885767456439215]
  Atom-Motif Consistency Diffusion Model (AMDiff)は、分子の原子レベルのビューとモチーフレベルのビューを統合する階層的な拡散アーキテクチャである。 既存のアプローチと比較して、AMDiffは様々なタンパク質ポケットに適合するように調整された分子の生成において、優れた妥当性と新規性を示す。
  論文  参考訳（メタデータ） (2025-03-02T17:54:30Z)
• PILOT: Equivariant diffusion for pocket conditioned de novo ligand generation with multi-objective guidance via importance sampling [8.619610909783441]
  等変拡散モデル PILOT を用いて,$textitde novo$ で 3次元リガンド構造を生成するためのシリカ内アプローチを提案する。 その多目的的重要度サンプリング戦略は、モデルが望ましい特性を示す分子に向けられるよう設計されている。 我々はPILOTを用いて、Kinodata-3Dデータセットから未確認タンパク質ポケットの新しいメトリクスを生成する。
  論文  参考訳（メタデータ） (2024-05-23T17:58:28Z)
• 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)
• TacoGFN: Target-conditioned GFlowNet for Structure-based Drug Design [3.45184803671951]
  TacoGFNは、構造に基づく薬物設計のための新しいGFlowNetベースのアプローチである。 親和性と性質の報酬に比例した確率で、任意のタンパク質ポケット構造に条件付けられた分子を生成することができる。 CrossDocked 2020ベンチマークの世代別設定では、TacoGFNは中央値のVina Dockスコアで56.0%と8.44$kcal/molの最先端の成功率を達成した。
  論文  参考訳（メタデータ） (2023-10-05T00:45:04Z)
• State-specific protein-ligand complex structure prediction with a multi-scale deep generative model [68.28309982199902]
  タンパク質-リガンド複合体構造を直接予測できる計算手法であるNeuralPLexerを提案する。 我々の研究は、データ駆動型アプローチがタンパク質と小分子の構造的協調性を捉え、酵素や薬物分子などの設計を加速させる可能性を示唆している。
  論文  参考訳（メタデータ） (2022-09-30T01:46:38Z)
• 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)
• Widely Used and Fast De Novo Drug Design by a Protein Sequence-Based Reinforcement Learning Model [4.815696666006742]
  構造に基づくde novo法は、薬物と標的の相互作用を深く生成するアーキテクチャに組み込むことによって、アクティブなデータ不足を克服することができる。 本稿では,医薬品発見のためのタンパク質配列に基づく拡張学習モデルについて紹介する。 概念実証として、RLモデルを用いて分子を4つのターゲットに設計した。
  論文  参考訳（メタデータ） (2022-08-14T10:41:52Z)

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。