論文の概要: One Sequence, Many Decodings: CAGenMol-2 Recasts Drug Design as Masked Molecular Inference

• arxiv url: http://arxiv.org/abs/2609.34301v1
• Date: Mon, 28 Sep 2026 04:46:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 22:01:01.894565
• Title: One Sequence, Many Decodings: CAGenMol-2 Recasts Drug Design as Masked Molecular Inference
• Title（参考訳）: CAGenMol-2は、薬物設計をマスクされた分子推論として再放送する
• Abstract要約: 本稿では,分子,連続特性,および3Dタンパク質ポケットを表わす分子間拡散分子言語モデルCAGen-2を紹介する。 この事前訓練されたインターフェイスの中で、ダウンストリーム操作は、推論時にシーケンス領域が観察されるか、マスキングされるかによって選択される。 足場保存指向性編集およびCRBN/VHLケーススタディであるAdaFOは、局所的な分子編集、構造に基づく優先順位付け、下流シミュレーションに基づくスクリーニングを対象とする複合設計において、その使用を実証している。
• 参考スコア（独自算出の注目度）: 14.967464923044338
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Drug design couples property evaluation, conditional generation, structure-based design, and local optimization, yet machine learning systems typically address these capabilities with separate task-specific models. We introduce CAGenMol-2, a masked diffusion molecular language model that represents molecules, continuous scalar properties, and 3D protein pockets within a single wrapped sequence. Within this pretrained interface, downstream operations are selected by which sequence regions are observed or masked at inference, allowing one checkpoint to perform property prediction, property- and pocket-conditioned generation, and partial-constraint design without task-specific architectures or backbone fine-tuning. We further propose Adaptive Fragment Optimization (AdaFO), a gradient-free mask-and-refill search that turns the masked decoder into an iterative local molecular optimizer. On CrossDocked2020, AdaFO increases Success Rate from 30.2\% to 70.8\%, the best reported under this protocol, while largely preserving drug-likeness and diversity. Finally, scaffold-preserving directional editing and CRBN/VHL case studies demonstrate its use in compound design workflows spanning local molecular editing, structure-based prioritization, and downstream simulation-based screening.
• Abstract（参考訳）: 薬物設計には、特性評価、条件生成、構造に基づく設計、局所的な最適化が伴うが、機械学習システムは通常、これらの機能を個別のタスク固有モデルで扱う。 分子, 連続スカラー特性, および3Dタンパク質ポケットを1つの包括配列で表現する, マスク付き拡散分子言語モデルCAGenMol-2を紹介する。 この事前訓練されたインタフェース内で、ダウンストリーム操作は、推論時にシーケンス領域を観察またはマスキングし、1つのチェックポイントでプロパティ予測、プロパティおよびポケット条件の生成、タスク固有のアーキテクチャやバックボーンの微調整なしで部分制約設計を行うことができる。 さらに,アダプティブフラグメント最適化 (AdaFO) を提案する。これは,マスク付きデコーダを反復的に局所的な分子最適化器に変換する,勾配のないマスク・アンド・リフィル探索である。 クロスドキッド2020では、AdaFOは成功率を30.2\%から70.8\%に引き上げ、薬物類似性や多様性を保っている。 最後に、足場保存指向性編集とCRBN/VHLケーススタディは、局所的な分子編集、構造に基づく優先順位付け、下流シミュレーションに基づくスクリーニングを対象とする複合設計ワークフローでの使用を実証する。

関連論文リスト

• Refine Drugs, Don't Complete Them: Uniform-Source Discrete Flows for Fragment-Based Drug Discovery [0.0]
  InVirtuoGenは,de novo と fragment-constrained 生成のための断片化SMILESの離散フロー生成モデルである。 本稿では,遺伝的アルゴリズムと遺伝的特性最適化の微調整戦略を組み合わせたハイブリッド手法を提案する。 提案手法は,タスク全体にわたるトップ10のAUCによって測定された,実用的分子最適化ベンチマークの最先端を新たに設定する。
  論文  参考訳（メタデータ） (2025-09-30T15:34:53Z)
• Pretraining Generative Flow Networks with Inexpensive Rewards for Molecular Graph Generation [6.495442425890008]
  A-GFN(Atomic GFlowNets)は、個々の原子をビルディングブロックとして活用し、薬物のような化学空間をより包括的に探索する生成モデルである。 医薬品のような分子データセットを用いた教師なし事前学習手法を提案し,A-GFNに安価で情報伝達性の高い分子記述子について教える。 本研究では、ZINCデータセットのサブセット上でA-GFNを事前訓練し、ロバストな評価指標を用いてアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2025-03-08T20:41:07Z)
• Steering Masked Discrete Diffusion Models via Discrete Denoising Posterior Prediction [88.65168366064061]
  本稿では,確率論的推論の課題として,事前学習したMDMを操る作業を行う新しいフレームワークであるDDPPを紹介する。 私たちのフレームワークは、3つの新しい目標のファミリーにつながります。 Wet-lab Validation(ウェット・ラブ・バリデーション)を用いて,報酬最適化タンパク質配列の過渡的発現を観察する。
  論文  参考訳（メタデータ） (2024-10-10T17:18:30Z)
• Molecule Design by Latent Prompt Transformer [76.2112075557233]
  本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。 本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-27T03:33:23Z)
• 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)
• Squeezeformer: An Efficient Transformer for Automatic Speech Recognition [99.349598600887]
  Conformerは、そのハイブリッドアテンション・コンボリューションアーキテクチャに基づいて、様々な下流音声タスクの事実上のバックボーンモデルである。 Squeezeformerモデルを提案する。これは、同じトレーニングスキームの下で、最先端のASRモデルよりも一貫して優れている。
  論文  参考訳（メタデータ） (2022-06-02T06:06:29Z)
• MIMOSA: Multi-constraint Molecule Sampling for Molecule Optimization [51.00815310242277]
  生成モデルと強化学習アプローチは、最初の成功をおさめたが、複数の薬物特性を同時に最適化する上で、依然として困難に直面している。 本稿では,MultI-Constraint MOlecule SAmpling (MIMOSA)アプローチ,初期推定として入力分子を用いるサンプリングフレームワーク,ターゲット分布からのサンプル分子を提案する。
  論文  参考訳（メタデータ） (2020-10-05T20:18:42Z)
• Scaffold-constrained molecular generation [0.0]
  SMILESをベースとしたリカレントニューラルネットワーク(Recurrent Neural Network, RNN)生成モデルを構築し, 足場制約付き生成を実現するため, サンプリング手法を改良した。 本稿では,様々なタスクにおいて足場制約付き生成を行う手法について紹介する。
  論文  参考訳（メタデータ） (2020-09-15T15:41:18Z)

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。