論文の概要: QALPA: Property-guided diffusion modeling for efficient exploration of chemical spaces of flexible molecules

• arxiv url: http://arxiv.org/abs/2609.16527v1
• Date: Tue, 15 Sep 2026 02:19:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.305746
• Title: QALPA: Property-guided diffusion modeling for efficient exploration of chemical spaces of flexible molecules
• Title（参考訳）: QALPA: 物性誘導拡散モデルによるフレキシブル分子の化学空間の効率的な探索
• Abstract要約: プロパティ誘導型生成フレームワークであるQALPA(Quantum-Aware Learning for Property-space Augmentation)を紹介する。 物理に基づく評価と組み合わせることで、QALPAは化学空間の疎密な領域における分子サンプリングとモデルの信頼性を向上させる。 概念実証として、QALPAは機械学習による強化されたタイトバインディングメソッドEquiDTBと組み合わせて、AlloQMデータセットを効率的に拡張する。
• 参考スコア（独自算出の注目度）: 2.783769708615212
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Exploring the chemical space of flexible molecules remains challenging because the vast number of possible compounds and conformations, together with the increasing cost and limited generalization of 3D generative models for larger and more complex molecules, restrict access to unexplored chemistry. Here, we introduce QALPA ("Quantum-Aware Learning for Property-space Augmentation"), a property-guided generative framework that combines an E(3)-equivariant diffusion model with active learning and efficient quantum-mechanical (QM) methods to iteratively explore targeted QM property manifolds. By coupling generation with physics-based evaluation, QALPA improves molecular sampling and model reliability in sparsely populated regions of chemical space. Our results show that training on complementary QM datasets spanning both small (QM7-X) and large (Aquamarine) drug-like compounds enables accurate molecular generation across a broad size range, improving transferability beyond the training distribution for complex property manifolds involving both extensive and intensive properties. As a proof of concept, QALPA coupled with the machine learning-augmented tight-binding method EquiDTB efficiently augments alloQM, a QM dataset introduced in this work, comprising 6,253 conformers of allosteric drug molecules, by populating sparse regions of the property landscape defined by the many-body dispersion energy and HOMO-LUMO energy gap. These results demonstrate that the integration of generative AI with efficient ML/QM methods offers a practical pathway toward augmenting sparse QM datasets and sustainably expanding the exploration of chemical space for molecular discovery.
• Abstract（参考訳）: フレキシブル分子の化学空間の探索は、膨大な量の化合物と配座が、より大規模で複雑な分子のための3D生成モデルのコストの増大と限定的な一般化とともに、未探索の化学へのアクセスを制限するため、依然として困難である。 本稿では,QALPA(Quantum-Aware Learning for Property-space Augmentation)について紹介する。これは,E(3)-同変拡散モデルと能動的学習と効率的な量子力学(QM)手法を組み合わせて,対象とするQM特性多様体を反復的に探索する特性誘導型生成フレームワークである。 物理に基づく評価と組み合わせることで、QALPAは化学空間の疎密な領域における分子サンプリングとモデルの信頼性を向上させる。 以上の結果から, 小型(QM7-X)と大型(アクアマリン)の薬物様化合物にまたがる相補的なQMデータセットのトレーニングにより, 広い範囲にわたって正確な分子生成が可能であり, 広範な特性と集中特性の両方を含む複雑な特性多様体のトレーニング分布を超えて, 伝達性を向上させることが示唆された。 この研究で導入されたQMデータセットは、多体分散エネルギーとHOMO-LUMOエネルギーギャップによって定義されるプロパティランドスケープのスパース領域を凝集させることにより、6,253個のアロステリック薬物分子のコンフォーマーを含む。 これらの結果は、生成AIと効率的なML/QM手法の統合が、スパースQMデータセットを増強し、分子発見のための化学空間の探索を持続的に拡大する実践的な経路を提供することを示した。

関連論文リスト

• Interpretable Machine Learning for Quantum-Informed Property Predictions in Artificial Sensing Materials [40.34973869620865]
  デジタルセンシングは、身体の臭気ボラティローム(BOV)へのカスタマイズEノイズの適用性を高めるための持続可能な方法の開発において課題に直面している 我々は,e-nose分子構築ブロックの量子力学(QM)特性データを機械学習(ML)手法と統合し,センシング関連特性を予測する計算フレームワークMORE-MLを開発した。
  論文  参考訳（メタデータ） (2026-01-01T22:56:07Z)
• QCA-MolGAN: Quantum Circuit Associative Molecular GAN with Multi-Agent Reinforcement Learning [2.2463678997251604]
  この研究は、QCA-MolGAN(英語版)と呼ばれる新しい量子回路Born Machine(英語版) (QCBM) を利用した創発的アドリバーサネットワーク(英語版) (GAN) を提案し、薬物のような分子を生成する。 QCBMは学習可能な事前分布として機能し、GANS識別器が取得した高次特徴と整合した潜在空間を定義するために連想的に訓練される。 分子生成を目的とする目的特性を導出するために,新しいマルチエージェント強化学習ネットワークを統合する。
  論文  参考訳（メタデータ） (2025-09-05T12:31:58Z)
• A Scalable and Quantum-Accurate Foundation Model for Biomolecular Force Field via Linearly Tensorized Quadrangle Attention [6.749581549330875]
  我々は、原子性生体分子シミュレーションのための新しいAIベースの力場フレームワークLiTENを紹介する。 LiTENをベースとしたLiTEN-FFは、幅広い化学一般化のためのnablaDFTデータセットで事前訓練された堅牢なAIFF基盤モデルである。 LiTENは、rMD17、MD22、Chignolinのほとんどの評価サブセットでSOTA(State-of-the-art)のパフォーマンスを達成し、MACE、NequIP、EquiFormerといった主要なモデルよりも優れている。
  論文  参考訳（メタデータ） (2025-07-01T15:52:39Z)
• Data-Driven Parametrization of Molecular Mechanics Force Fields for Expansive Chemical Space Coverage [16.745564099126575]
  我々は、薬物様分子のアンバー互換力場であるByteFFを開発した。 本モデルでは, 薬物様分子のすべての結合および非結合MM力場パラメータを, 広い化学空間にわたって同時に予測する。
  論文  参考訳（メタデータ） (2024-08-23T03:37:06Z)
• Molecule Design by Latent Space Energy-Based Modeling and Gradual Distribution Shifting [53.44684898432997]
  化学的・生物学的性質が望ましい分子の生成は、薬物発見にとって重要である。 本稿では,分子の結合分布とその特性を捉える確率的生成モデルを提案する。 本手法は種々の分子設計タスクにおいて非常に強力な性能を発揮する。
  論文  参考訳（メタデータ） (2023-06-09T03:04:21Z)
• Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
  我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。 我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。 複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
  論文  参考訳（メタデータ） (2023-02-04T01:32:40Z)
• 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)
• Accurate Machine Learned Quantum-Mechanical Force Fields for Biomolecular Simulations [51.68332623405432]
  分子動力学(MD)シミュレーションは、化学的および生物学的プロセスに関する原子論的な洞察を可能にする。 近年,MDシミュレーションの代替手段として機械学習力場(MLFF)が出現している。 本研究は、大規模分子シミュレーションのための正確なMLFFを構築するための一般的なアプローチを提案する。
  論文  参考訳（メタデータ） (2022-05-17T13:08:28Z)
• BIGDML: Towards Exact Machine Learning Force Fields for Materials [55.944221055171276]
  機械学習力場(MLFF)は正確で、計算的で、データ効率が良く、分子、材料、およびそれらのインターフェースに適用できなければならない。 ここでは、Bravais-Inspired Gradient-Domain Machine Learningアプローチを導入し、わずか10-200原子のトレーニングセットを用いて、信頼性の高い力場を構築する能力を実証する。
  論文  参考訳（メタデータ） (2021-06-08T10:14:57Z)
• Optimizing Molecules using Efficient Queries from Property Evaluations [66.66290256377376]
  汎用的なクエリベースの分子最適化フレームワークであるQMOを提案する。 QMOは効率的なクエリに基づいて入力分子の所望の特性を改善する。 QMOは, 有機分子を最適化するベンチマークタスクにおいて, 既存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） (2020-11-03T18:51:18Z)

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。