論文の概要: FragFlex: Fragment-Based Flexible Molecular Generation for Exploring Vast Chemical Space
- arxiv url: http://arxiv.org/abs/2610.15284v1
- Date: Sun, 11 Oct 2026 02:28:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 01:48:14.454508
- Title: FragFlex: Fragment-Based Flexible Molecular Generation for Exploring Vast Chemical Space
- Title（参考訳）: FragFlex: 化学空間を探索するためのフラグメントベースのフレキシブル分子生成
- Abstract要約: フラグメントレベルでノード挿入と削除を行うフレキシブルな離散拡散モデルであるFragFlexを紹介する。
FragFlexは、高い特異性を保ちながら、ほぼ完璧な化学的妥当性を達成し、両者の間に強いバランスを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Drug discovery requires efficient exploration of an astronomically large chemical space. Molecular graph diffusion models offer a promising approach to this task, but many require graph size to be fixed before generation. Although atom-level insertion and deletion can enable flexible-size generation, jointly modeling molecular size, atom types, and bonds while maintaining chemical validity remains challenging. We introduce FragFlex, a flexible-length discrete diffusion model that performs node insertion and deletion at the fragment level. During denoising, FragFlex jointly learns the size, fragment identities, and inter-fragment connectivity of the fragment graph. A neural attachment-site predictor and valence-aware assembler then convert the generated fragment graph into an atom-level molecule. In large-scale experiments generating 10 million molecules, FragFlex achieves near-perfect chemical validity while maintaining high uniqueness, demonstrating a strong balance between the two.
- Abstract（参考訳）: 薬物発見は、天文学的に大きな化学空間の効率的な探査を必要とする。
分子グラフ拡散モデルは、このタスクに対して有望なアプローチを提供するが、多くは生成前にグラフのサイズを固定する必要がある。
原子レベルの挿入と削除はフレキシブルサイズの生成を可能にするが、化学的妥当性を維持しながら分子サイズ、原子タイプ、結合を共同でモデル化することは困難である。
フラグメントレベルでノード挿入と削除を行うフレキシブルな離散拡散モデルであるFragFlexを紹介する。
denoisingの間、FragFlexはフラグメントグラフのサイズ、フラグメントのアイデンティティ、フラグメントグラフのフラグメント間の接続性を共同で学習する。
神経付着部位予測器と原子価認識アセンブラは生成したフラグメントグラフを原子レベル分子に変換する。
1000万の分子を生成する大規模な実験では、FragFlexは高い特異性を保ちながらほぼ完璧な化学的妥当性を達成し、両者のバランスを強く示している。
関連論文リスト
- FragFM: Hierarchical Framework for Efficient Molecule Generation via Fragment-Level Discrete Flow Matching [6.401101865760261]
分子グラフ生成のためのフラグメントレベル離散フローマッチングによる新しい階層型フレームワークであるFragFMを紹介する。
FragFMはフラグメントレベルで分子を生成し、原子レベルで詳細を再構築するために粗いオートエンコーダを利用する。
また,現代分子グラフ生成モデルの天然物様分子生成能力を評価するための天然物生成ベンチマークも提案する。
論文 参考訳（メタデータ） (2025-02-19T07:01:00Z) - 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) - MUDiff: Unified Diffusion for Complete Molecule Generation [104.7021929437504]
本稿では,原子の特徴,2次元離散分子構造,および3次元連続分子座標を含む分子の包括的表現を生成する新しいモデルを提案する。
拡散過程を認知するための新しいグラフトランスフォーマーアーキテクチャを提案する。
我々のモデルは、安定で多様な分子を設計するための有望なアプローチであり、分子モデリングの幅広いタスクに適用できる。
論文 参考訳（メタデータ） (2023-04-28T04:25:57Z) - Equivariant 3D-Conditional Diffusion Models for Molecular Linker Design [82.23006955069229]
分子リンカ設計のためのE(3)等価な3次元拡散モデルDiffLinkerを提案する。
我々のモデルは、欠落した原子を中間に配置し、初期フラグメントを全て組み込んだ分子を設計する。
DiffLinkerは、より多種多様な合成可能な分子を生成する標準データセット上で、他の手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2022-10-11T09:13:37Z) - 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) - Learning to Extend Molecular Scaffolds with Structural Motifs [15.78749196233448]
MoLeRはグラフベースのモデルで、生成手順の初期シードとして足場をサポートする。
そこで本研究では,MoLeRが非制約分子最適化タスクの最先端手法と相容れない性能を示す。
また、いくつかの小さな設計選択が全体的なパフォーマンスに与える影響も示しています。
論文 参考訳（メタデータ） (2021-03-05T18:28:49Z)
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。