論文の概要: MoTIF-X: A Multimodal Tokenized Framework for Interpretable and Extensible Molecular Representation Learning
- arxiv url: http://arxiv.org/abs/2609.37384v1
- Date: Tue, 29 Sep 2026 12:33:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-30 21:28:47.4886
- Title: MoTIF-X: A Multimodal Tokenized Framework for Interpretable and Extensible Molecular Representation Learning
- Title（参考訳）: MoTIF-X: 解釈可能で拡張可能な分子表現学習のためのマルチモーダルトークン化フレームワーク
- Abstract要約: MoTIF-Xは、マルチモーダル統合と解釈のためのアンカーとしてグラフ基底化学モチーフを使用するモチーフ中心のフレームワークである。
その最初の事前学習段階は、原子、モチーフ、分子スケールにわたる階層的なコントラスト学習を通じてモチーフ表現を学ぶ。
その第2段階は、マルチモーダルマスクトークンモデリングにより、SMILESとトーションアングルトークンでこれらの表現を文脈化している。
- 参考スコア（独自算出の注目度）: 30.006344391717704
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Molecular representation learning is central to computer-aided drug discovery. Molecular graphs, SMILES strings, and 3D conformations provide complementary structural information, yet many multimodal approaches encode these views independently and align them only at a later stage, limiting fine-grained cross-modal interaction and substructure-level interpretability. To address these limitations, we introduce MoTIF-X, a motif-centered framework that uses graph-grounded chemical motifs as shared anchors for multimodal integration and interpretation. Its first pretraining stage learns motif representations through hierarchical contrastive learning across atomic, motif, and molecular scales. The second stage contextualizes these representations with SMILES and torsion-angle tokens through multimodal masked token modeling. After pretraining on drug-like molecules with multiple conformers, MoTIF-X achieved the lowest mean absolute error on all nine OpenADMET ExpansionRx endpoints and the best overall performance among the evaluated methods. Significance analyses supported its advantage in the vast majority of endpoint-baseline comparisons after multiple-testing correction. Ablation studies supported the complementary contributions of motif-token contextualization, multimodal integration, and two-stage pretraining. Beyond molecular properties, the framework extended to drug-target interaction prediction, achieving the best average classification performance across the evaluated benchmarks and generalizing to an external drug-cold-start dataset without additional fine-tuning. Its motif-centered design also enabled substructure-level interpretation: higher motif attribution scores were associated with larger experimentally measured activity shifts. Together, these findings support MoTIF-X as a transferable and interpretable framework for molecular modeling.
- Abstract（参考訳）: 分子表現学習は、コンピュータ支援された薬物発見の中心である。
分子グラフ、SMILES文字列、および3Dコンフォーメーションは相補的な構造情報を提供するが、多くのマルチモーダルアプローチはこれらのビューを独立に符号化し、後段のみに調整し、微粒なクロスモーダル相互作用とサブ構造レベルの解釈可能性を制限する。
これらの制約に対処するために,マルチモーダル積分と解釈のための共有アンカーとしてグラフ基底化学モチーフを用いるモチーフ中心のフレームワークであるMoTIF-Xを導入する。
その最初の事前学習段階は、原子、モチーフ、分子スケールにわたる階層的なコントラスト学習を通じてモチーフ表現を学ぶ。
第2段階では、マルチモーダルマスクトークンモデリングにより、SMILESとトーションアングルトークンでこれらの表現を文脈化する。
複数のコンホメータを持つ薬物様分子を前訓練した後、MoTIF-Xは9つのOpenADMET拡張Rx終端で最低平均絶対誤差を達成した。
有意な分析は、多検定補正後のエンドポイントベースライン比較の大部分において、その優位性を支持した。
アブレーション研究はモチーフ・トーケンの文脈化、マルチモーダル統合、二段階事前訓練の補完的な貢献を支持した。
分子特性以外にも、このフレームワークはドラッグ・ターゲットの相互作用予測に拡張され、評価されたベンチマーク全体で最高の平均分類性能を獲得し、追加の微調整なしで外部のドラッグ・コールド・スタートデータセットに一般化された。
モチーフ中心の設計により、下層構造レベルの解釈が可能となり、より高いモチーフ属性スコアは、より大きな実験的に測定された活動シフトと関連づけられた。
これらの知見は、分子モデリングのための伝達可能な、解釈可能なフレームワークとして、MoTIF-Xをサポートする。
関連論文リスト
- ProtoMol: Enhancing Molecular Property Prediction via Prototype-Guided Multimodal Learning [14.289447310645878]
ProtoMolは、モダリティ間のきめ細かい統合と一貫性のあるセマンティックアライメントを可能にするプロトタイプガイドフレームワークである。
ProtoMolは、さまざまな分子特性予測タスクにおいて、最先端のベースラインを一貫して上回る。
論文 参考訳（メタデータ） (2025-10-19T13:19:37Z) - Composable Score-based Graph Diffusion Model for Multi-Conditional Molecular Generation [85.58520120011269]
本研究では,具体的スコアを用いてスコアマッチングを離散グラフに拡張するComposable Score-based Graph Diffusion Model (CSGD)を提案する。
CSGDは従来の手法よりも平均15.3%の制御性向上を実現していることを示す。
本研究は, 離散グラフ生成におけるスコアベースモデリングの実用的利点と, フレキシブルでマルチプロパタイトな分子設計のためのキャパシティを強調した。
論文 参考訳（メタデータ） (2025-09-11T13:37:56Z) - $\text{M}^{2}$LLM: Multi-view Molecular Representation Learning with Large Language Models [59.125833618091846]
分子構造ビュー,分子タスクビュー,分子規則ビューの3つの視点を統合した多視点フレームワークを提案する。
実験によると、$textM2$LLMは、分類タスクと回帰タスクをまたいだ複数のベンチマークで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-08-12T05:46:47Z) - AdaptMol: Adaptive Fusion from Sequence String to Topological Structure for Few-shot Drug Discovery [7.338199946027998]
本稿では,Adaptive Multimodal fusion for representationを組み込んだプロトタイプネットワークであるAdaptMolを提案する。
このフレームワークは、グローバルおよび局所的な分子的特徴を動的に統合するための二重レベルアテンション機構を用いる。
5ショットと10ショット設定で一般的に使用される3つのベンチマークの実験は、AdaptMolが最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2025-05-17T07:12:12Z) - PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。
我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。
CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割法より優れていることが示された。
論文 参考訳（メタデータ） (2024-09-08T15:02:25Z) - A Novel Energy based Model Mechanism for Multi-modal Aspect-Based
Sentiment Analysis [85.77557381023617]
マルチモーダル感情分析のための新しいフレームワークDQPSAを提案する。
PDQモジュールは、プロンプトをビジュアルクエリと言語クエリの両方として使用し、プロンプト対応の視覚情報を抽出する。
EPEモジュールはエネルギーベースモデルの観点から解析対象の境界ペアリングをモデル化する。
論文 参考訳（メタデータ） (2023-12-13T12:00:46Z) - UniMAP: Universal SMILES-Graph Representation Learning [21.25038529787392]
ユニバーサルSMILEグラフ表現学習モデル(UniMAP)を提案する。
CMM(Multi-Level Cross-Modality Masking)、SMILES-Graph Matching(SGM)、FLA(Fragment-Level Alignment)、ドメイン知識学習(DKL)の4種類の事前学習タスクがユニマップ向けに設計されている。
実験の結果,UniMAPは最先端の事前学習方法よりも優れていた。
論文 参考訳（メタデータ） (2023-10-22T07:48:33Z) - t-SMILES: A Scalable Fragment-based Molecular Representation Framework for De Novo Molecule Generation [9.116670221263753]
本研究では, t-SMILESと呼ばれる, フレキシブル, フラグメントベース, マルチスケールな分子表現フレームワークを提案する。
フラグメント化された分子グラフから生成された全二分木上で幅優先探索を行うことにより得られるSMILES型文字列を用いて分子を記述する。
従来のSMILES、DeepSMILES、SELFIES、ベースラインモデルをゴール指向タスクで大幅に上回っている。
論文 参考訳（メタデータ） (2023-01-04T21:41:01Z)
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。