論文の概要: RIDE: Reference-Anchored Inference-Time Diffusion Editing for Scaffold Hopping

• arxiv url: http://arxiv.org/abs/2609.35623v1
• Date: Mon, 28 Sep 2026 16:58:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 20:16:13.739995
• Title: RIDE: Reference-Anchored Inference-Time Diffusion Editing for Scaffold Hopping
• Title（参考訳）: RIDE:スキャフォールドホッピングのための参照型推論時間拡散編集
• Abstract要約: RIDEは、足場ホッピングのための参照型推論時間拡散編集フレームワークである。 常に2D類似性が低く、3D類似性が低い足場を生成する。 様々な報酬関数に対応でき、報酬に明示的に含まれていない場合でも3D類似性を維持することができる。
• 参考スコア（独自算出の注目度）: 6.763082884091801
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Scaffold hopping is a critical task in drug discovery, which seeks to discover new, structurally distinct molecules that share key functional groups and similar 3D shape with a reference binding ligand. Existing diffusion-based scaffold hopping methods formulate the problem as conditional generation of scaffolds given the functional groups. However, they lack a principled mechanism to jointly enforce 2D structural novelty and preserve the 3D shape of the reference ligand. Here, we introduce RIDE, a Reference-anchored Inference-time Diffusion Editing framework for scaffold hopping. RIDE recovers the reference diffusion noise trajectory conditioned on the binding pocket and functional groups, selects an optimal trajectory segment for editing via noise perturbation, and conducts a value-guided scaffold sampling to generate new scaffolds. Extensive experimental results demonstrate that, compared to baselines, RIDE consistently generates scaffolds with lower 2D similarity and higher 3D similarity to the reference, with an average improvements of 11.7% and 7.3%, respectively. Further analysis reveals that RIDE can accommodate various reward functions, and can preserve 3D similarity even when this is not explicitly included in the reward. Two case studies illustrate RIDE's ability to generate distinct scaffolds with different structures and properties, and its ability to introduce substantial 2D variation while maintaining very high 3D similarity. RIDE is publicly available at https://anonymous.4open.science/r/RIDE-C8A0.
• Abstract（参考訳）: スカフォルドホッピングは、重要な官能基と類似した3D形状を基準結合配位子で共有する新規で構造的に異なる分子の発見を目指す薬物発見において重要な課題である。 既存の拡散型足場ホッピング法は、関数群が与えられた条件付き足場生成として問題を定式化する。 しかし、これらは2次元構造的新規性を共同で実施し、参照リガンドの3次元形状を維持するための原則的なメカニズムを欠いている。 本稿では,足場ホッピングのための参照型推論時間拡散編集フレームワークであるRIDEを紹介する。 RIDEは、結合ポケットおよび機能グループに条件付された基準拡散ノイズ軌跡を回復し、ノイズ摂動を介して編集するための最適軌道セグメントを選択し、新しい足場を生成するために値誘導足場サンプリングを行う。 大規模な実験の結果、ベースラインと比較して、RIDEは基準よりも低い2D類似度と高い3D類似度を持つ足場を一貫して生成し、平均的な改善は11.7%と7.3%であった。 さらに分析したところ、RIDEは様々な報酬関数に対応でき、報酬に明示的に含まれていない場合でも3D類似性を維持することができることがわかった。 2つのケーススタディは、RIDEが異なる構造と性質を持つ異なる足場を生成する能力と、非常に高い3D類似性を保ちながら、相当な2D変化を起こす能力を示している。 RIDEはhttps://anonymous.4open.science/r/RIDE-C8A0.comで公開されている。

関連論文リスト

• Geometry Without Coordinates: LiDAR Diffusion as a 3D Feature Bridge [0.0]
  既成2次元基礎モデルから擬似ラベルを訓練したLiDAR条件拡散モデルを提案する。 モデルはLiDARで条件付けされているため、出力と中間のUNet機能はインプットポイントクラウドに投影することができる。 我々は,この表現を,生空間座標を明示的に除いた点-雲空間で直接研究する。
  論文  参考訳（メタデータ） (2026-09-09T15:26:35Z)
• Stable and Scalable Bundle Adjustment of Holistic 3D Structures [99.03818732955783]
  本稿では,3次元コンピュータビジョンのためのBundle Adjustment (BA) の新バージョンを提案する。 BAはカメラ、ポーズ、3Dポイントを共同で最適化するために開発された。 グループ誘導測定とクロスフィーチャー・リジェクションにより、古典的な点のみの3次元正規化の空間性を維持する。
  論文  参考訳（メタデータ） (2026-09-03T16:08:03Z)
• DualDiff3D: Dual Structure-Appearance Diffusion Priors for Reliability-Enhanced 3D Gaussian Splatting [71.316050612276]
  3次元再構成と新規ビュー合成は、しばしばレンダリングされた新規ビューの再現品質とアーティファクトを低下させる。 最近の試みは、強力な拡散前処理を活用しようとするが、通常は1つのネットワークで追加の次元に沿ってレンダリングと参照ビューを処理している。 本稿では,2つの拡散先行処理を,SAAモジュールで実現する新しいパイプラインであるDualDiffを提案する。 提案手法は推論のみの設定でも最先端の手法よりも優れており,さらなる性能向上はトレーニングによって達成できる。
  論文  参考訳（メタデータ） (2026-09-01T16:45:53Z)
• Free Geometry: Refining 3D Reconstruction from Longer Versions of Itself [38.95274911975506]
  Free Geometryは、フィードフォワードの3D再構成モデルが3D基底の真理なしにテスト時に自己進化することを可能にするフレームワークである。 当社のアプローチは、4つのベンチマークデータセットにまたがって、Depth Anything 3やVGGTといった最先端の基礎モデルを継続的に改善しています。
  論文  参考訳（メタデータ） (2026-04-15T16:24:03Z)
• MuSc-V2: Zero-Shot Multimodal Industrial Anomaly Classification and Segmentation with Mutual Scoring of Unlabeled Samples [8.323617762880533]
  ゼロショット異常分類(AC/AS)のためのMutual Scoring framework(MuSc-V2)を提案する。 私たちのフレームワークは、完全なデータセットと、一貫して堅牢なパフォーマンスを持つ小さなサブセットの両方で柔軟に機能します。 新たなフレームワークの助けを借りて、MuSc-V2は大幅なパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2025-11-13T07:47:37Z)
• GeoPurify: A Data-Efficient Geometric Distillation Framework for Open-Vocabulary 3D Segmentation [57.8059956428009]
  2次元視覚言語モデルから3次元セマンティックセグメンテーションへ機能を移行しようとする最近の試みは、永続的なトレードオフを露呈している。 3次元教師モデルから抽出した幾何学的事前情報を用いて2次元VLM生成した3次元点特徴に小さな学生親和性ネットワークを適用したGeoPurifyを提案する。 遅延幾何学情報と学習された親和性ネットワークから恩恵を受けることで、GeoPurifyはトレードオフを効果的に軽減し、優れたデータ効率を実現する。
  論文  参考訳（メタデータ） (2025-10-02T16:37:56Z)
• Towards Unified and Lossless Latent Space for 3D Molecular Latent Diffusion Modeling [90.23688195918432]
  3次元分子生成は、薬物発見と物質科学に不可欠である。 既存のアプローチは、典型的には不変かつ同変なモジュラリティに対して別々のラテント空間を保持する。 我々は,3次元分子を潜在空間から潜在配列に圧縮するマルチモーダルVAEである textbfUAE-3D を提案する。
  論文  参考訳（メタデータ） (2025-03-19T08:56:13Z)
• NeuraLoc: Visual Localization in Neural Implicit Map with Dual Complementary Features [50.212836834889146]
  本稿では,補完的な特徴を持つニューラル暗黙マップに基づく,効率的で斬新な視覚的局所化手法を提案する。 具体的には、幾何学的制約を強制し、ストレージ要件を小さくするために、3Dキーポイント記述子フィールドを暗黙的に学習する。 記述子の意味的あいまいさにさらに対処するために、追加の意味的文脈的特徴体を導入する。
  論文  参考訳（メタデータ） (2025-03-08T08:04:27Z)
• Cylindrical and Asymmetrical 3D Convolution Networks for LiDAR-based Perception [122.53774221136193]
  運転時のLiDARに基づく認識のための最先端の手法は、しばしば点雲を2D空間に投影し、2D畳み込みによって処理する。 自然な対策として、3Dボクセル化と3D畳み込みネットワークを利用する方法がある。 本研究では,3次元幾何学的パターンを探索するために,円筒状分割と非対称な3次元畳み込みネットワークを設計する,屋外LiDARセグメンテーションのための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-09-12T06:25:11Z)

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。