論文の概要: Information-Dense Synthesis for Molecular Discovery

• arxiv url: http://arxiv.org/abs/2610.08495v1
• Date: Tue, 06 Oct 2026 15:04:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:30.067591
• Title: Information-Dense Synthesis for Molecular Discovery
• Title（参考訳）: 分子発見のための情報密度合成
• Abstract要約: 本稿では,アルゴリズムによって制御された合成法を用いて,分子空間の広い領域を効率的に探索する手法を提案する。 個々の分子を設計し、製造し、テストする代わりに、複雑な混合物を設計し、それをプールとしてテストし、分子活性マップを分解する。
• 参考スコア（独自算出の注目度）: 4.984601297028257
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning can accelerate molecular discovery by designing molecules and planning experiments. However, many scientific challenges demand molecules with very rare properties, and in this sparse setting, existing algorithms offer little gain over random guessing. We propose a method to efficiently search large regions of molecular space using algorithmically controlled stochastic synthesis. Rather than design, make and test individual molecules, we design and make complex mixtures, test them as a pool, then deconvolute the molecule-activity map. We optimize synthesis to encode maximal information. Theoretically, this approach can reduce the number of experiments required to find the optimal molecule among $d$ candidates from $\mathcal{O}(d)$ to $\mathcal{O}(\log d)$ or $\mathcal{O}(1)$. In simulation, on estimated protein fitness landscapes, it finds active molecules with an order of magnitude fewer experiments than existing Bayesian optimization methods.
• Abstract（参考訳）: 機械学習は分子の設計と計画実験によって分子発見を加速することができる。 しかし、多くの科学的課題は、非常に稀な性質を持つ分子を必要としており、このスパースな設定では、既存のアルゴリズムはランダムな推測よりもほとんど利益が得られない。 アルゴリズムによって制御された確率的合成を用いて,分子空間の広い領域を効率的に探索する手法を提案する。 個々の分子を設計し、製造し、テストする代わりに、複雑な混合物を設計し、それをプールとしてテストし、分子活性マップを分解する。 最大情報をエンコードする合成を最適化する。 理論的には、このアプローチは$d$候補の最適分子を見つけるのに必要な実験の数を$\mathcal{O}(d)$から$\mathcal{O}(\log d)$または$\mathcal{O}(1)$へと減らすことができる。 シミュレーションでは、推定されたタンパク質の適合性ランドスケープにおいて、既存のベイズ最適化法よりも桁違いに少ない実験で活性分子が見つかる。

関連論文リスト

• Generating $π$-Functional Molecules Using STGG+ with Active Learning [31.421181317988093]
  この研究は、最先端の教師付き学習手法STGG+をアクティブな学習ループに統合する。 有機材料設計にSTGG+ALを適用する。 生成した分子は、時間依存密度汎関数理論で検証され、理化される。
  論文  参考訳（メタデータ） (2025-02-20T18:52:42Z)
• Score-based 3D molecule generation with neural fields [10.0889807546726]
  連続原子密度場に基づく3次元分子の新しい表現法を提案する。 ニューラルフィールドを用いた連続空間における無条件3次元分子生成のためのウォークジャンプサンプリングに基づく新しいモデルを提案する。 我々のモデルであるFuncMolは、条件付きニューラルネットワークを用いて分子場を潜時符号に符号化する。 FuncMolは分子構造を仮定せずに全原子で3D分子を生成する。
  論文  参考訳（メタデータ） (2025-01-15T01:10:59Z)
• Implicit Geometry and Interaction Embeddings Improve Few-Shot Molecular Property Prediction [53.06671763877109]
  我々は, 複雑な分子特性を符号化した分子埋め込みを開発し, 数発の分子特性予測の性能を向上させる。 我々の手法は大量の合成データ、すなわち分子ドッキング計算の結果を利用する。 複数の分子特性予測ベンチマークでは、埋め込み空間からのトレーニングにより、マルチタスク、MAML、プロトタイプラーニング性能が大幅に向上する。
  論文  参考訳（メタデータ） (2023-02-04T01:32:40Z)
• Hybrid Quantum Generative Adversarial Networks for Molecular Simulation and Drug Discovery [13.544339314714902]
  現在の古典的な計算力は、小さな分子以上をシミュレートするには不十分である。 毎年数十億ドルが研究に費やされている。 グラフ構造化データの深い生成モデルは、化学合成の問題に新たな視点を与えてくれる。
  論文  参考訳（メタデータ） (2022-12-15T13:36:35Z)
• Exploring Chemical Space with Score-based Out-of-distribution Generation [57.15855198512551]
  生成微分方程式(SDE)にアウト・オブ・ディストリビューション制御を組み込んだスコアベース拡散方式を提案する。 いくつかの新しい分子は現実世界の薬物の基本的な要件を満たしていないため、MOODは特性予測器からの勾配を利用して条件付き生成を行う。 我々はMOODがトレーニング分布を超えて化学空間を探索できることを実験的に検証し、既存の方法で見いだされた分子、そして元のトレーニングプールの上位0.01%までも生成できることを実証した。
  論文  参考訳（メタデータ） (2022-06-06T06:17:11Z)
• 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)
• End-to-End Differentiable Molecular Mechanics Force Field Construction [0.5269923665485903]
  化学環境を知覚するためにグラフニューラルネットワークを用いる別のアプローチを提案する。 プロセス全体がモジュール化されており、モデルパラメータに関してエンドツーエンドの差別化が可能である。 本手法は, 従来の原子型を再現するだけでなく, 既存の分子力学力場を正確に再現し, 拡張することができることを示す。
  論文  参考訳（メタデータ） (2020-10-02T20:59:46Z)

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。