論文の概要: MAST: Motif-Augmented Diffusion with Search Tree for Spectroscopic Molecular Structure Elucidation

• arxiv url: http://arxiv.org/abs/2610.12067v1
• Date: Thu, 08 Oct 2026 14:45:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.083082
• Title: MAST: Motif-Augmented Diffusion with Search Tree for Spectroscopic Molecular Structure Elucidation
• Title（参考訳）: MAST: 分子構造解明のための探索木を用いたモチフ拡張拡散法
• Abstract要約: textbfSearch textbfTree を用いた textbfMotif-textbfAugmented diffusion framework である textbfMAST を提案する。 QM9Sマルチスペクトルベンチマークでは、MASTはtextbf94.89%の正確な回復を達成し、高い化学的妥当性と安定性を維持しながら3次元の忠実性を改善する。
• 参考スコア（独自算出の注目度）: 70.05861932701814
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Elucidating molecular structures from spectra is a foundational problem in chemical and materials characterization, yet remains challenging due to spectral ambiguity and the vast molecular space. Although recent diffusion-based generators show strong promise for spectra-conditioned elucidation, existing methods struggle to learn robust spectra-structure relationships from limited paired data when relying solely on global spectral representation. Moreover, the repeated full sampling inference strategy incurs substantial computation overhead. To address these limitations, we propose \textbf{MAST}, a \textbf{M}otif-\textbf{A}ugmented diffusion framework with \textbf{S}earch \textbf{T}ree, for joint 2D-3D spectroscopic molecular structure elucidation. MAST introduces explicit, interpretable \emph{motif priors} as intermediate evidences throughout denoising, reducing conditional ambiguity and facilitating spectra-conditioned optimization. We further cast diffusion sampling as \emph{reward-guided tree search} to prioritize high-reward denoising trajectories, yielding a compact set of spectra-consistent candidates under limited budgets. On the QM9S multi-spectra benchmark, MAST achieves \textbf{94.89\%} exact recovery and improves 3D fidelity, while preserving high chemical validity and stability. Code is available at https://github.com/Jia040223/MAST.
• Abstract（参考訳）: スペクトルから分子構造を解明することは、化学的、物質的特性の基本的な問題であるが、スペクトルのあいまいさと広大な分子空間のために依然として困難である。 近年の拡散型ジェネレータはスペクトル条件の解明に強い期待を抱いているが,既存の手法では,グローバルなスペクトル表現のみに依存する場合に,限られたペアデータから頑健なスペクトル構造関係の学習に苦慮している。 さらに、繰り返しる全サンプリング推論戦略は、かなりの計算オーバーヘッドを発生させる。 これらの制約に対処するため, 共同2D-3D 分光分子構造解明のために, \textbf{M}otif-\textbf{A}ugmented diffusion framework with \textbf{S}earch \textbf{T}reeを提案する。 MASTは明示的で解釈可能な \emph{motif priors} をデノナイズ、条件の曖昧さの低減、スペクトル条件の最適化を容易にする中間的証拠として導入している。 我々はさらに拡散サンプリングを 'emph{reward-guided tree search} としてキャストし、高反射性軌道を優先し、限られた予算下でスペクトル整合性候補のコンパクトなセットを生成する。 QM9Sマルチスペクトルベンチマークでは、MASTは、高い化学的妥当性と安定性を維持しながら、正確な回復を達成し、3次元忠実性を改善する。 コードはhttps://github.com/Jia040223/MASTで入手できる。

関連論文リスト

• FlowMS: Flow Matching for De Novo Structure Elucidation from Mass Spectra [6.255932418151384]
  FlowMSは、スペクトル条件付きデノボ分子生成のための最初の離散フローマッチングフレームワークである。 NPLIB1ベンチマークの6つのメトリクスのうち5つで最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-03-19T01:41:52Z)
• On the Spectral Flattening of Quantized Embeddings [25.64641307046705]
  超低精度での大規模言語モデルの訓練は、離散量子化制約と言語データの本質的な重み付きスペクトル特性の相違に根ざした不安定性によって、決定的に阻害される。 この研究は、LLMのスペクトル感度を定量化するだけでなく、安定な低ビット最適化に必要な条件としてスペクトル忠実性を確立する。
  論文  参考訳（メタデータ） (2026-02-01T02:21:53Z)
• 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)
• MS-BART: Unified Modeling of Mass Spectra and Molecules for Structure Elucidation [20.973121120131875]
  大規模事前学習は、他の領域におけるデータの不足に対処するのに有効であることが証明されている。 質量スペクトルと分子構造を共有トークン語彙にマッピングする統合モデリングフレームワークMS-BARTを提案する。 大規模な評価では、MS-BARTはMassSpecGymとNPLIB1の5/12キーメトリクスでSOTA性能を達成している。
  論文  参考訳（メタデータ） (2025-10-23T14:45:28Z)
• DiffSpectra: Molecular Structure Elucidation from Spectra using Diffusion Models [68.19129717255053]
  本稿では、分子構造解明を条件生成プロセスとして定式化する生成フレームワークであるDiffSpectraについて述べる。 我々の実験では、DiffSpectraが分子構造を正確に解明し、40.76%のトップ-1と99.49%のトップ10を達成している。
  論文  参考訳（メタデータ） (2025-07-09T13:57:20Z)
• DiffMS: Diffusion Generation of Molecules Conditioned on Mass Spectra [60.39311767532607]
  本稿では,DiffMSを提案する。DiffMS,式制限付きエンコーダ・デコーダ生成ネットワークは,このタスクにおける最先端性能を実現する。 遅延埋め込みと分子構造をブリッジするロバストデコーダを開発するために,フィンガー構造対による拡散デコーダの事前訓練を行う。 確立されたベンチマーク実験により、DiffMSはデノボ分子生成における既存のモデルよりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-02-13T18:29:48Z)

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。