論文の概要: DISSOLVR: An Interpretable and Fast Framework for Aqueous and Organic Solubility Prediction
- arxiv url: http://arxiv.org/abs/2610.02574v1
- Date: Thu, 01 Oct 2026 23:10:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 00:14:30.121029
- Title: DISSOLVR: An Interpretable and Fast Framework for Aqueous and Organic Solubility Prediction
- Title（参考訳）: DISSOLVR: 水と有機の溶解度予測のための解釈可能で高速なフレームワーク
- Abstract要約: 分子溶解度予測のための透明なフレームワークであるdisSOLVRを紹介する。
DISSOLVRは実験の不確実性のアレタリック限界に近づいた。
また,LLMを用いたポストホック説明パイプラインを提案する。
- 参考スコア（独自算出の注目度）: 12.818700268722663
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: High-fidelity solubility prediction is fundamental to pharmaceutical development and environmental partitioning, where accurate modeling must couple molecular structure with thermodynamic behavior across diverse chemical environments. However, recent advancements have been dominated by deep learning architectures that often sacrifice physical interpretability for predictive power. We challenge this trend by showing that state-of-the-art performance does not require such non-transparent architectures. To address this, we introduce DISSOLVR, a transparent framework for molecular solubility prediction. In addition, we perform a comprehensive literature review and a benchmarking study against various methods. We show that DISSOLVR approaches the aleatoric limit of experimental uncertainty and achieves OOD generalization through structural invariance, derived by mapping molecules to physically-grounded descriptors. Then, we present an LLM-assisted post-hoc explanation pipeline that bridges the gap between symbolic model artifacts and chemically grounded narratives. Finally, a comparative benchmark of a survey involving 22 expert chemists reveals that expert evaluators provide deep insights.
- Abstract（参考訳）: 高忠実度溶解度予測は医薬品開発と環境分断に不可欠であり、正確なモデリングは分子構造と様々な化学環境をまたいだ熱力学的挙動を結合させなければならない。
しかし、近年の進歩は、予測力に対する物理的解釈性を犠牲にすることが多いディープラーニングアーキテクチャに支配されている。
我々はこの傾向に挑戦し、最先端のパフォーマンスがそのような非透明なアーキテクチャを必要としないことを示す。
そこで本研究では,分子溶解度予測のための透過的なフレームワークであるdisSOLVRを紹介する。
さらに,様々な手法に対する総合的な文献レビューとベンチマーク研究を行った。
DISSOLVRは実験の不確実性のアレタリックな限界に近づき、分子を物理的に接地した記述子にマッピングすることで、構造的不変性を通じてOODの一般化を実現する。
次に, 記号モデルアーティファクトと化学接地した物語のギャップを埋めるLLM支援ポストホック説明パイプラインを提案する。
最後に、22人の専門家化学者による調査の比較ベンチマークでは、専門家評価者が深い洞察を提供することが明らかになった。
関連論文リスト
- Towards Generalizable and Evidential Nuclear Magnetic Resonance-Based Molecular Structure Elucidation via Large Language Model Agent [14.26731930385033]
核磁気共鳴分光法は分子構造解明の金標準である。
データベース検索は、新しい足場を特定できない。
本稿では,大規模言語モデルを用いたNMRAgentについて述べる。
論文 参考訳（メタデータ） (2026-06-29T04:38:01Z) - CP-Agent: Context-Aware Multimodal Reasoning for Cellular Morphological Profiling under Chemical Perturbations [22.43353931700872]
セルペイントは、多重蛍光染色、高濃度イメージング、定量的解析を組み合わせて、高次元の表現型読み出しを生成する。
CP-Agentは、薬物摂動下での細胞形態変化に対して、機構関連で人間解釈可能な有理性を生成する。
CP-CLIP出力をエージェントツールの使用と推論と統合することにより、CP-Agentは論理を構造化されたレポートにコンパイルし、実験的な設計と仮説の洗練を導く。
論文 参考訳（メタデータ） (2026-06-02T10:20:00Z) - SCENT: Aligning Mass Spectra with Molecular Structure for Olfactory Perception [48.96518000981492]
直接電子イオン化質量分析法(EI-MS)を嗅覚予測のための代替入力モードとして検討する。
我々は、EI-MS表現と予め訓練された化学構造埋め込みを整合させるマルチモーダルコントラスト学習フレームワークであるSpectrum-to-Chemical EmbeddingalignedmeNT(SCENT)を寄贈する。
マルチラベルの匂い記述子予測タスクでは、SCENTはMSのみのベースラインを著しく上回り、構造ベースモデルに匹敵する嗅覚性能を達成する。
論文 参考訳（メタデータ） (2026-05-26T13:28:57Z) - CNNs for Vis-NIR Chemometrics: From Contradiction to Conditional Design [0.0]
ケミメトリにおける近赤外(NIR)深層学習の研究は、畳み込みニューラルネットワーク(CNN)の設計に関して相互に矛盾した結論を報告している。
同じアーキテクチャは、ある研究において優位に立つことができ、別の研究では劣る可能性がある。
これらの矛盾は、不可能な方法の証拠ではなく、制御不能な変数の構造的に期待される結果であると主張する。
論文 参考訳（メタデータ） (2026-05-04T14:21:02Z) - COMO: Closed-Loop Optical Molecule Recognition with Minimum Risk Training [0.0]
光化学構造認識(OCSR)に最小リスクトレーニングを導入する
COMOは、分子レベルの非微分可能な目的を直接最適化することで、露光バイアスを緩和するクローズドループフレームワークである。
合成および実世界の化学図を含む10のベンチマーク実験では、COMOが既存のルールベースおよび学習ベースの手法を大幅に上回っていることが示されている。
論文 参考訳（メタデータ） (2026-04-26T05:48:21Z) - A Systematic Survey and Benchmark of Deep Learning for Molecular Property Prediction in the Foundation Model Era [57.5440098776759]
分子特性予測は、量子化学、化学情報学、深層学習を統合し、分子構造と生物学的挙動を結びつける。
この調査は、Quantum、Descriptor Machine Learning、Geometric Deep Learning、Foundation Modelsの4つの補完パラダイムをトレースする。
ベンチマーク分析は、広く使われているデータセットと業界的な視点を反映したデータセットの両方からエビデンスを統合する。
論文 参考訳（メタデータ） (2026-04-17T15:16:33Z) - OMNIFLOW: A Physics-Grounded Multimodal Agent for Generalized Scientific Reasoning [51.33849811496781]
大規模言語モデル (LLM) は例外的な論理的推論能力を示しているが、部分微分方程式 (PDE) による連続力学としばしば競合する。
OMNIFLOWは, 領域固有のパラメータ更新を必要とせず, 基本物理法則で凍結LDMを基底として設計したマルチモーダルシンボリックアーキテクチャである。
我々は, 微視的乱流, 理論的ナビエ・ストークス, マクロ的世界天気予報のベンチマークでこれを評価した。
論文 参考訳（メタデータ） (2026-03-16T18:29:01Z) - How well can off-the-shelf LLMs elucidate molecular structures from mass spectra using chain-of-thought reasoning? [51.286853421822705]
大規模言語モデル (LLM) は推論集約的な科学的タスクを約束するが、化学的解釈の能力はまだ不明である。
我々は、分子構造を予測するために、LLMが質量スペクトルデータに対してどのように理由を持つかを評価する、Chain-of-Thought(CoT)プロンプトフレームワークとベンチマークを導入する。
SMILESの妥当性, 式整合性, 構造的類似性の指標による評価の結果, LLMは合成学的に有効で, 部分的に可視な構造を生成できるが, 分子予測の正確性やリンク推論を達成できないことがわかった。
論文 参考訳（メタデータ） (2026-01-09T20:08:42Z) - Peeling Context from Cause for Multimodal Molecular Property Prediction [12.900046337617546]
CLaP(Causal Layerwise Peeling)は、因果信号をコンテキストから階層的に分離するフレームワークである。
CLaPは、競争ベースラインよりもMAE、MSE、R2$を一貫して改善する。
原子レベルの因果正性マップを生成し、予測に責任を負う部分構造をハイライトする。
論文 参考訳（メタデータ） (2025-11-10T04:29:33Z) - Foundation Models for Discovery and Exploration in Chemical Space [57.97784111110166]
MISTは、大規模なラベルなしデータセットに基づいて訓練された分子基盤モデルのファミリーである。
我々は、これらのモデルが化学空間をまたいだ現実世界の問題を解決する能力を実証する。
論文 参考訳（メタデータ） (2025-10-20T17:56:01Z)
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。