論文の概要: Fraglingo: Molecular Design via Attachment-Aware Autoregressive Fragment Generation

• arxiv url: http://arxiv.org/abs/2609.13519v1
• Date: Fri, 11 Sep 2026 20:42:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.373815
• Title: Fraglingo: Molecular Design via Attachment-Aware Autoregressive Fragment Generation
• Title（参考訳）: Fraglingo:アタッチメントを意識した自己回帰フラグメント生成による分子設計
• Abstract要約: 自己回帰フラグメントに基づく分子生成装置Fraglingoを紹介する。 Fraglingoはアタッチメント対応のフラグメントの埋め込みを予測し、次のフラグメントを検索する。 トレーニング時に使用したライブラリよりも最大4倍大きなライブラリを,再トレーニングなしで断片化する。
• 参考スコア（独自算出の注目度）: 58.88304971824104
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Molecular design is most effective when generation mirrors the edits chemists actually make: extending a scaffold, replacing a substituent, or decorating a scaffold at a specified attachment site while optimizing molecular properties. Fragment-based molecular design naturally supports this workflow, yet existing approaches often separate fragment selection from attachment prediction, first choosing a fragment from a fixed vocabulary and then predicting how it should be connected. This decoupling restricts generation to a closed fragment vocabulary and treats attachment as a separate prediction problem. We introduce Fraglingo, an autoregressive fragment-based molecular generator that jointly models fragment identity and attachment in a continuous latent space. Fraglingo predicts an attachment-aware fragment embedding and retrieves the next fragment through latent-space nearest-neighbor search. To encode attachment context, we introduce a wildcard-anchored readout that represents the growing molecule from the perspective of its active attachment site, enabling the predicted embedding to capture both the molecular context and the required attachment. Because generation operates in a continuous embedding space rather than over fixed fragment identifiers, new fragments can be added to the inference-time vocabulary without retraining, provided their embeddings can be computed by the trained fragment encoder. This retrieval-based formulation provides a unified generation primitive for molecule generation, scaffold generation, scaffold decoration, and molecular optimization. On controlled property-conditional benchmarks, Fraglingo achieves stronger joint property control than comparably trained baselines while maintaining competitive validity, uniqueness, and novelty. Furthermore, Fraglingo generalizes to fragment libraries up to 4x larger than those used during training without retraining.
• Abstract（参考訳）: 分子設計は、編集化学者が実際に行うミラーの生成において最も効果的である:足場を拡張したり、置換基を置換したり、特定の付着部位で足場を飾ったりし、分子特性を最適化する。 フラグメントベースの分子設計はこのワークフローを自然にサポートしているが、既存のアプローチでは、アタッチメントの予測からフラグメントの選択を分離し、まず固定語彙からフラグメントを選択し、どのように接続すべきかを予測する。 このデカップリングは、生成を閉じた断片語彙に制限し、アタッチメントを別個の予測問題として扱う。 Fraglingoは自己回帰型フラグメントベースの分子ジェネレータで、連続的な潜在空間におけるフラグメントのアイデンティティとアタッチメントを共同でモデル化する。 Fraglingoはアタッチメント対応のフラグメントの埋め込みを予測し、ラテントスペース近傍の検索を通じて次のフラグメントを検索する。 そこで,本研究では,その活性付着部位の観点から生長する分子を表現したワイルドカードアンカレッド・リードアウトを導入し,分子コンテキストと所要アタッチメントの両方を予測した埋め込みを可能にする。 生成は、固定されたフラグメント識別子ではなく、連続的な埋め込み空間で動作するため、トレーニングされたフラグメントエンコーダによってその埋め込みが計算される場合、推論時語彙に新しいフラグメントを追加することができる。 この検索に基づく定式化は、分子生成、足場生成、足場装飾、分子最適化のための統一的な生成プリミティブを提供する。 制御された特性条件ベンチマークでは、Fraglingoは競争妥当性、独自性、新規性を保ちながら、比較訓練されたベースラインよりも強い関節特性制御を達成する。 さらに、Fraglingoは、トレーニングで使用したライブラリの最大4倍の大きさのフラグメントライブラリを、再トレーニングなしで一般化している。

関連論文リスト

• MolLingo: Molecule-Native Representations for LLM-Powered Scientific Agents [57.28652712579434]
  分子設計を自動化するために化学者の推論過程をエミュレートするマルチエージェントシステムであるMolLingoを提案する。 MolLingoは、共有メモリモジュールを通じて、文学エージェント、化学エージェント、オーケストレーションをコーディネートすることで、この問題に対処する。 初期治療設計におけるケーススタディとして、MolLingoは、結合部位の幾何学と残基レベルのタンパク質コンテキストにおけるChemist Agentの推論を根拠にしている。
  論文  参考訳（メタデータ） (2026-05-27T02:11:23Z)
• FORGE: Fragment-Oriented Ranking and Generation for Context-Aware Molecular Optimization [38.801595580724616]
  FORGEは、コンテキスト対応の局所編集として分子最適化を再構成する2段階のフレームワークである。 コンパクトな0.6B言語モデルに基づいて構築されたFOGEは、従来よりも一貫して優れていた。 これらの結果は、自然言語学習の代替として、より容易に入手でき、拡張性があり、幻覚のないものとして、明確なフラグメントレベルの監督の価値を強調している。
  論文  参考訳（メタデータ） (2026-05-11T09:06:42Z)
• Flow-Based Fragment Identification via Binding Site-Specific Latent Representations [7.729885628667701]
  我々は,分子断片とタンパク質表面の両方を共有潜在空間にマッピングする,対照的な学習手法に依存するタンパク質フラグメントエンコーダを開発した。 エンコーダは、インタラクションに関連する機能をキャプチャし、新しいメソッドであるLatentFragで仮想スクリーニングと生成設計を行うことができる。 我々の生成法は, 仮想スクリーニングなどの一般的な手法を計算コストのごく一部で上回り, フラグメントヒット発見の出発点となる。
  論文  参考訳（メタデータ） (2025-09-16T16:20:45Z)
• FragmentNet: Adaptive Graph Fragmentation for Graph-to-Sequence Molecular Representation Learning [0.09986418756990159]
  分子グラフを化学的に有効なフラグメントに分解する適応型学習トークン化器を備えたグラフからシーケンスへの基礎モデルであるFragmentNetを紹介する。 FragmentNetは、階層的な断片埋め込みのためのVQVAE-GCN、グラフシリアライゼーションのための空間的位置符号化、グローバルな分子記述子、トランスフォーマーを統合する。
  論文  参考訳（メタデータ） (2025-02-03T09:21:49Z)
• Molecule Generation with Fragment Retrieval Augmentation [41.95947899013865]
  Fragment Retrieval-Augmented Generation (f-RAG) は、新しい分子の完成と生成のための新たなフラグメントを提案する事前訓練された分子生成モデルに基づいている。 既存のフラグメントを超えて外挿するために、f-RAGは、反復的な洗練プロセスを通じて生成されたフラグメントでフラグメント語彙を更新する。
  論文  参考訳（メタデータ） (2024-11-18T21:43:52Z)
• FragRel: Exploiting Fragment-level Relations in the External Memory of Large Language Models [54.13671100638092]
  断片接続型階層型メモリベース大規模言語モデル(LLM)を提案する。 外部メモリにおけるフラグメントレベルの関係を定式化し、異なるテキストタイプに対していくつかのインスタンスを提示する。 長いストーリー理解、リポジトリレベルのコード生成、長期チャットにこれらの関係を組み込むことの利点を検証する。
  論文  参考訳（メタデータ） (2024-06-05T09:31:37Z)
• Drug Discovery with Dynamic Goal-aware Fragments [76.10700304803177]
  GEAM (Goal-aware fragment extract, Assembly and Modification) という薬物発見のための分子生成フレームワークを提案する。 GEAMは3つのモジュールから構成されており、それぞれがゴール対応のフラグメント抽出、フラグメントアセンブリ、フラグメント修正を担当している。 GEAMは3つのモジュールの生成サイクルを通じて薬物候補を効果的に発見できることを実験的に実証した。
  論文  参考訳（メタデータ） (2023-10-02T01:30:42Z)
• De Novo Molecular Generation via Connection-aware Motif Mining [197.97528902698966]
  我々は、マイニングされた接続認識モチーフに基づいて分子を生成する新しい方法、MiCaMを提案する。 得られたモチーフ語彙は、分子モチーフ(頻繁な断片)だけでなく、それらの接続情報も含む。 マイニングされた接続対応モチーフに基づいて、MiCaMは接続対応ジェネレータを構築し、同時にモチーフをピックアップし、どのように接続されているかを決定する。
  論文  参考訳（メタデータ） (2023-02-02T14:40:47Z)
• Equivariant 3D-Conditional Diffusion Models for Molecular Linker Design [82.23006955069229]
  分子リンカ設計のためのE(3)等価な3次元拡散モデルDiffLinkerを提案する。 我々のモデルは、欠落した原子を中間に配置し、初期フラグメントを全て組み込んだ分子を設計する。 DiffLinkerは、より多種多様な合成可能な分子を生成する標準データセット上で、他の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T09:13:37Z)

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。