論文の概要: OPDiv: Optimal Selection of Top-K High-Scoring, Diverse Compounds
- arxiv url: http://arxiv.org/abs/2609.28665v1
- Date: Wed, 23 Sep 2026 18:09:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-25 21:10:09.478827
- Title: OPDiv: Optimal Selection of Top-K High-Scoring, Diverse Compounds
- Title（参考訳）: OPDiv: トップKハイスコーリング, 異種化合物の最適選択
- Abstract要約: 本稿では,このトレードオフを解決する多様性選択評価アルゴリズムであるOPDivを紹介する。
本研究では, 指紋距離, 形状, 静電気の多様性で選択アルゴリズムを実演し, 得られた多様性スペクトルを比較した。
OPDivは、与えられた多様性閾値の下で設定された最適な化合物を効率的に見つけることができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A virtual screening campaign may produce thousands of promising candidates, but only a small number can be purchased, synthesized, or tested. The practical question is how to select a set of compounds that both rank well and are diverse enough: this poses a genuine tradeoff, where selecting the highest-scoring molecules yields limited diversity, while diversity selection sacrifices some well-scoring molecules. We introduce OPDiv, a diversity selection and evaluation algorithm solving this tradeoff by finding an optimal subset of molecules using integer optimization. We demonstrate the selection algorithm in practice with fingerprint distance, shape and electrostatic diversity and compare the resulting diversity spectra. We argue that virtual screening is not merely a ranking problem, but also an implicit constrained optimization task: when redundant chemotypes are undesirable, pipelines should be compared based on the top-k compound selections satisfying the desired diversity constraints. OPDiv makes it possible to find the optimal compound set under a given diversity threshold efficiently and serves as a fair benchmark of the best diverse selection achievable by a given structure-based or ligand-based virtual screening pipeline, molecular search or generative model.
- Abstract（参考訳）: 仮想スクリーニングキャンペーンは、数千の有望な候補を生み出すことができるが、わずかな数しか購入、合成、またはテストできない。
現実的な疑問は、適切にランク付けされ、十分に多様性がある化合物の集合をどうやって選択するかである。これは真のトレードオフであり、最も高い色付けの分子を選択すると、限られた多様性が得られる一方で、多様性の選別は、いくつかの良い色付けの分子を犠牲にする。
整数最適化を用いた分子の最適部分集合を見つけることにより、このトレードオフを解決する多様性選択と評価アルゴリズムであるOPDivを導入する。
本研究では, 指紋距離, 形状, 静電気の多様性で選択アルゴリズムを実演し, 得られた多様性スペクトルを比較した。
仮想スクリーニングは単なるランキング問題ではなく、暗黙の制約付き最適化タスクである:冗長な化学タイプが望ましくない場合、パイプラインは所望の多様性制約を満たすトップk化合物の選択に基づいて比較されるべきである。
OPDivは、与えられた多様性閾値の下で設定された最適な化合物を効率的に見つけることができ、与えられた構造ベースまたはリガンドベースの仮想スクリーニングパイプライン、分子探索または生成モデルによって達成可能な最も多様な選択の公正なベンチマークとして機能する。
関連論文リスト
- Spokes: Optimizing for Diverse Pretraining Data Selection [82.66872118512403]
本稿ではG-Vendiスコアに基づく確率的多様化フレームワークを提案する。
提案手法は, ランダムサンプリングにより得られたサブセットよりも, かなり多様なサブセットを生成する。
我々はFineWebとDCLMのアプローチを評価し、既存の手法を一貫して上回ります。
論文 参考訳（メタデータ） (2026-06-13T09:28:46Z) - Improving search efficiency via adaptive acquisition function selection in discrete black-box optimization [0.7734726150561088]
ブラックボックス最適化では、限られた試行数で有望な解を効率的に特定することが重要である。
そこで本研究では,BOCSを主探索フレームワークとして使用し,代替の未評価点を生成するハイブリッド手法を提案する。
提案手法の有効性は,ハミング・ディスタンス地区における探索の進行を促進する点の選択から導かれる。
論文 参考訳（メタデータ） (2026-05-11T17:03:01Z) - Select-then-differentiate: Solving Bilevel Optimization with Manifold Lower-level Solution Sets [43.989426547201965]
楽観的な双レベル最適化について検討し、低レベル問題には非可解な最小値多様体が存在する。
楽観的な選択の特異性は十分であることを示す。
これにより、明示的な擬逆法に基づく超次数式が得られる。
論文 参考訳（メタデータ） (2026-05-09T23:00:31Z) - AMPO: Active Multi-Preference Optimization for Self-play Preference Selection [16.230186347702737]
マルチパラメータ最適化は、有用な応答と望ましくない応答の集合全体を対比することにより、ペアの好みを超えた言語モデルアライメントを強化する。
そこで本稿では,オンライン・プライス・ジェネレーション,マルチ・コントラスト・グループ・コントラスト・ロス,アクティブ・サブセット選択を組み合わせた新しいアプローチである,$textitActive Multi-Preference Optimization$ (AMPO)を提案する。
AMPO は Llama 8B と Mistral Mist 7B を使って $textitAlpacaEval$ で最先端の結果を得る。
論文 参考訳（メタデータ） (2025-02-25T15:29:51Z) - Sample-efficient Multi-objective Molecular Optimization with GFlowNets [5.030493242666028]
ハイパーネットワークに基づくGFlowNets(HN-GFN)を利用した多目的ベイズ最適化(MOBO)アルゴリズムを提案する。
HN-GFNは、単一の嗜好条件のハイパーネットワークを用いて、目的間の様々なトレードオフを探索することを学ぶ。
実世界の様々な環境での実験により、我々のフレームワークは、候補品質とサンプル効率の点で、既存の手法よりも圧倒的に優れていることが示された。
論文 参考訳（メタデータ） (2023-02-08T13:30:28Z) - Diversifying Design of Nucleic Acid Aptamers Using Unsupervised Machine
Learning [54.247560894146105]
短い一本鎖RNAとDNA配列(アプタマー)の逆設計は、一連の望ましい基準を満たす配列を見つけるタスクである。
我々は、Pottsモデルとして知られる教師なし機械学習モデルを用いて、制御可能なシーケンスの多様性を持つ新しい有用なシーケンスを発見することを提案する。
論文 参考訳（メタデータ） (2022-08-10T13:30:58Z) - A suite of diagnostic metrics for characterizing selection schemes [45.74830585715129]
DOSSIERは、8つの手作りメトリクスからなる診断スイートである。
これらのメトリクスは、エクスプロイト、探索、およびそれらの相互作用のために、実験的に特定の能力を測定するように設計されている。
DOSSIERを6つの一般的な選択スキームに適用する: トランケーション、トーナメント、フィットネス共有、レキシケース、非支配的なソート、ノベルティ検索。
論文 参考訳（メタデータ） (2022-04-29T01:05:51Z) - Biological Sequence Design with GFlowNets [75.1642973538266]
望ましい性質を持つデノボ生物配列の設計には、数ラウンドの分子のアイデアと高価なウェットラブ評価を伴う活性ループが伴うことが多い。
これにより、提案された候補の多様性は、構想段階において重要な考慮事項となる。
本稿では,不確実性推定と近年提案されているGFlowNetを多種多様な候補解の生成元として活用した能動的学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-03-02T15:53:38Z) - Determinantal Beam Search [75.84501052642361]
ビームサーチは、ニューラルシーケンスモデルをデコードするためのゴーツー戦略である。
複数のソリューションを要求するユースケースでは、多様あるいは代表的なセットがしばしば望まれる。
ビームサーチを一連の部分決定問題として繰り返し行うことにより、アルゴリズムを多種多様なサブセット選択プロセスに変換することができる。
論文 参考訳（メタデータ） (2021-06-14T13:01:46Z) - Bloom Origami Assays: Practical Group Testing [90.2899558237778]
グループテストは、いくつかの魅力的なソリューションでよく研究されている問題である。
近年の生物学的研究は、従来の方法と相容れない新型コロナウイルスの実践的な制約を課している。
我々は,Bloomフィルタと信条伝搬を組み合わせた新しい手法を開発し,n(100以上)の大きい値に拡張し,良好な経験的結果を得る。
論文 参考訳（メタデータ） (2020-07-21T19:31:41Z) - Atom Search Optimization with Simulated Annealing -- a Hybrid
Metaheuristic Approach for Feature Selection [29.765647724007827]
ハイブリッドメタヒューリスティックス(Hybrid meta-heuristics)は、最適化と特徴選択(FS)分野における最も興味深いトレンドの1つである。
我々は、ASO-SA(Atom Search Optimization)のバイナリ版と、FSのためのASO-SA(ASO-SA)技術と呼ばれるSimulated Annealing(Simulated Annealing)によるハイブリッドを提案した。
提案手法は, UCI, Handwriting digit recognition, Text, non-text separation, Facial emotion Recognitionの4つのカテゴリから25のデータセットに対して適用した。
論文 参考訳（メタデータ） (2020-05-10T07:56:58Z)
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。