論文の概要: Inference-Time Steering Across Scaffolds and Epitopes for Sample-Efficient De Novo Nanobody Design

• arxiv url: http://arxiv.org/abs/2610.13844v1
• Date: Fri, 09 Oct 2026 16:54:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.692256
• Title: Inference-Time Steering Across Scaffolds and Epitopes for Sample-Efficient De Novo Nanobody Design
• Title（参考訳）: サンプル効率の良いデノボナノボディ設計のためのスキャフォールドとエピトープ間の推論時間ステアリング
• Abstract要約: 生成分子設計は通常、過剰な生成とポストホックフィルタリングに依存している。 Feynman-Kac ステアリングのような推論時ステアリング手法は、軌道を高次候補にバイアスすることで効率を向上するが、1つの固定構成で最適化する。 生成条件の選択を推定時リソース割り当て問題として再放送する。 本稿では,SMC(Global Sequential Monte Carlo)とBaSE(Baatched Successive Elimination)の2つの動的予算アロケータを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generative molecular design typically relies on over-generation and post-hoc filtering. Inference-time steering methods like Feynman-Kac (FK) steering improve efficiency by biasing trajectories toward high-reward candidates, yet they optimize within a single fixed configuration. In de novo nanobody design, upfront commitment to conditioning choices like scaffold identity or target epitope creates a bottleneck. Since yield varies across these conditions, steering unpromising setups wastes compute. We recast generative condition selection as an inference-time resource-allocation problem. We propose two dynamic budget allocators: a joint Global Sequential Monte Carlo (SMC) formulation that steers and allocates compute across configurations concurrently, and a decoupled approach adapting Batched Successive Elimination (BaSE). Empirically, these dynamic allocators increase the yield of designable candidates per GPU-hour nearly 5$\times$ without sacrificing diversity across distinct therapeutic targets and generative configurations.
• Abstract（参考訳）: 生成分子設計は通常、過剰な生成とポストホックフィルタリングに依存している。 Feynman-Kac (FK) ステアリングのような推論時ステアリング手法は、軌道を高次候補にバイアスすることで効率を向上するが、1つの固定構成で最適化する。 デ・ノボのナノボディデザインでは、足場アイデンティティやターゲットエピトープのような条件付けの選択に対する事前のコミットメントがボトルネックを生み出します。 利回りはこれらの条件によって異なるため、非生産的なセットアップはムダを計算します。 生成条件の選択を推定時リソース割り当て問題として再放送する。 本稿では,SMC(Global Sequential Monte Carlo)とBaSE(Baatched Successive Elimination)の2つの動的予算アロケータを提案する。 実験的に、これらの動的アロケータは、異なる治療対象と生成構成の多様性を犠牲にすることなく、GPU時間あたり5$\times$あたりの指定可能な候補の収量を増加させる。

関連論文リスト

• Adapting Nonstationary Multi-output Gaussian Processes to Bayesian Optimization [0.0]
  マルチ出力低ランク非定常(MO-LRN)GPのミスマッチについて検討し、高いトレーニング適合性は大規模なオフデザインエラーと楽観的な獲得予測と共存できることを示した。 MOLRN-BOは、正規化された共有スペクトルサロゲートと、目的固有残差、先行平均補正、誘電共分散スケーリングを組み合わせたものである。 実験により、MOLRN-BOは元のMO-LRNを大幅に改善し、最終正規化ハイパーボリュームと正規化逆世代距離の最良の平均問題ランクを達成することが示された。
  論文  参考訳（メタデータ） (2026-09-26T10:54:56Z)
• From Atoms to Entropy: Optimal Noise Allocation for Diffusion Training in the Convex Regime [52.459513910242485]
  拡散訓練における最適な雑音レベルアロケーションを研究するための一般統計フレームワークを開発する。 最適化されたトレーニングスケジュールは、有限個のノイズレベルに集中した原子最小値を持つことを示す。 次に,大規模実験におけるエントロピック・スケジュールの評価を行った。
  論文  参考訳（メタデータ） (2026-07-10T20:59:06Z)
• CLEAR: Cognition and Latent Evaluation for Adaptive Routing in End-to-End Autonomous Driving [19.474428775260034]
  超高速な生成計画と深い意味的推論を組み合わせたフレームワークであるCLEARを提案する。 CLEARはDrive-JEPAをビジュアルエンコーダとして採用し、VAEラテント空間におけるマルチステップデノイングチェーンを単一ステップ条件ドリフトに置き換える。 NAVSIM v1ベンチマークでは、CLEARは93.7の最先端のPDMSを達成した。
  論文  参考訳（メタデータ） (2026-06-04T14:32:10Z)
• Gradient-Free Noise Optimization for Reward Alignment in Generative Models [52.42087778653147]
  ZeNOは、経路積分制御問題としてノイズ最適化を定式化する、勾配のないフレームワークである。 効果的な推論時間スケーリングを可能にし、多様なジェネレータと報酬関数間で強力なパフォーマンスを示す。
  論文  参考訳（メタデータ） (2026-05-12T00:05:36Z)
• HAD: Combining Hierarchical Diffusion with Metric-Decoupled RL for End-to-End Driving [51.268878540511054]
  我々は階層的拡散政策を備えたエンドツーエンドの計画フレームワークであるHADを提案する。 我々は,NAVSIMとHUGSIMの両方でHADが新たな最先端性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-04-04T04:12:47Z)
• Diversity-Aware Adaptive Collocation for Physics-Informed Neural Networks via Sparse QUBO Optimization and Hybrid Coresets [0.0]
  PINNは、内部のコロケーションポイントでPDE残基をペナル化することで、支配方程式を強制する。 標準的なコロケーション戦略は、スムーズな領域をオーバーサンプリングし、高い相関点集合を生成し、不要なトレーニングコストを発生させることができる。 我々は,kNN類似性グラフ上に構築された疎グラフベースのBQMと,正確なコロケーション予算を強制する効率的な修復手順を提案する。
  論文  参考訳（メタデータ） (2026-03-06T14:26:34Z)
• Neural Nonmyopic Bayesian Optimization in Dynamic Cost Settings [73.44599934855067]
  LookaHESは、動的で履歴に依存したコスト環境のために設計された非心筋BOフレームワークである。 LookaHESは、$H$-Entropy Searchのマルチステップ版と、パスワイズサンプリングとニューラルポリシー最適化を組み合わせたものだ。 私たちの革新は、構造化されたドメイン固有のアクションスペースを効果的にナビゲートするために、大きな言語モデルを含むニューラルポリシーの統合です。
  論文  参考訳（メタデータ） (2026-01-10T09:49:45Z)
• Return of the Latent Space COWBOYS: Re-thinking the use of VAEs for Bayesian Optimisation of Structured Spaces [13.38402522324075]
  本稿では、生成モデルとガウス過程(GP)を個別にシュロゲートし、単純だが原理化されたベイズ更新規則を介してそれらを結合する分離されたアプローチを提案する。 我々は, 分子最適化問題における高ポテンシャル候補を制約評価予算下で同定する能力を, 分離した手法により向上することを示した。
  論文  参考訳（メタデータ） (2025-07-05T05:53:04Z)
• Energy-Based Coarse-Graining in Molecular Dynamics: A Flow-Based Framework without Data [0.0]
  粗粒モデル(CG)は分子シミュレーションの複雑さを減らす効果的な経路を提供する。 本稿では,全原子ボルツマン分布を直接対象とするCGのための完全データフリーな生成フレームワークを提案する。 本手法はボルツマン分布のすべてのモードを捕捉し、原子配置を再構成し、自動的に物理的に意味のあるCG表現を学習することを示す。
  論文  参考訳（メタデータ） (2025-04-29T17:05:27Z)
• Reward-Guided Iterative Refinement in Diffusion Models at Test-Time with Applications to Protein and DNA Design [87.58981407469977]
  進化的アルゴリズムにインスパイアされた拡散モデルを用いた推論時間報酬最適化のための新しいフレームワークを提案する。 当社のアプローチでは,各イテレーションにおける2つのステップ – ノイズ発生と報酬誘導という,反復的な改善プロセスを採用しています。
  論文  参考訳（メタデータ） (2025-02-20T17:48:45Z)

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。