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

• arxiv url: http://arxiv.org/abs/2609.13519v2
• Date: Fri, 18 Sep 2026 00:05:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.678347
• 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: 本稿では, 化学的に意味のある断片から分子を段階的に構築する自己回帰分子生成装置Fraglingoを紹介する。 Fraglingoはアタッチメント対応のフラグメントを埋め込むことで、どのフラグメントを追加するべきか、どのようにアタッチすべきかを共同で予測する。 また、トレーニング時に使用したライブラリの最大4倍の大きさの断片化ライブラリを、再トレーニングなしで一般化する。
• 参考スコア（独自算出の注目度）: 58.88304971824104
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce Fraglingo, an autoregressive molecular generator that constructs molecules step by step from chemically meaningful fragments connected through predefined attachment sites. At each generation step, Fraglingo jointly predicts which fragment to add and how it should attach by producing an attachment-aware fragment embedding and retrieving the nearest fragment through latent-space search. A wildcard-anchored readout represents both the growing molecule and candidate fragments relative to their attachment sites, enabling a single latent prediction to determine both fragment identity and attachment configuration. Because prediction operates in a continuous embedding space rather than over fixed fragment identifiers, larger fragment libraries can be introduced at inference time without retraining. This retrieval-based formulation provides a unified generation primitive for molecule generation, scaffold generation, scaffold decoration, and molecule optimization. Fraglingo also supports property-conditional generation, allowing desired molecular properties to guide the generation process. On controlled property-conditional benchmarks, Fraglingo achieves stronger joint property control than comparably trained baselines while maintaining competitive validity, uniqueness, and novelty. It also generalizes to fragment libraries up to four times larger than those used during training without retraining. Code is available at: https://anonymous.4open.science/r/FragLingo-3551.
• Abstract（参考訳）: 我々はFraglingoを紹介した。Fraglingoは自己回帰型分子生成装置で、あらかじめ定義された結合部位を介して結合された化学的に意味のある断片から分子を段階的に構築する。 各生成ステップでFraglingoは、ラテントスペース検索を通じて最も近いフラグメントを埋め込んで取り出すアタッチメント対応のフラグメントを生成し、どのフラグメントを追加するべきか、どのようにアタッチすべきかを共同で予測する。 wildcard-anchored readoutは、成長する分子とそれらの付着部位に対する候補フラグメントの両方を表現し、単一の潜在予測がフラグメントアイデンティティとアタッチメント構成の両方を決定できる。 予測は固定されたフラグメント識別子よりも連続的な埋め込み空間で動作するため、推論時に再トレーニングせずにより大きなフラグメントライブラリを導入することができる。 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。 フラグリンゴは特性条件生成もサポートしており、所望の分子特性が生成過程を導くことができる。 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。 また、トレーニング時に使用したライブラリの最大4倍の大きさの断片化ライブラリを、再トレーニングなしで一般化する。 コードは以下の通り。 https://anonymous.4open.science/r/FragLingo-3551。

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。