論文の概要: MIRRA: Fast, High-Fidelity Molecular Generation with Chemistry-Informed Discrete Flow Matching

• arxiv url: http://arxiv.org/abs/2610.17244v1
• Date: Mon, 12 Oct 2026 18:10:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 02:36:23.216987
• Title: MIRRA: Fast, High-Fidelity Molecular Generation with Chemistry-Informed Discrete Flow Matching
• Title（参考訳）: MIRRA:化学インフォームド離散フローマッチングを用いた高速・高忠実分子生成
• Abstract要約: MIRRAは化学知識から学習し、必要なときにのみアイデンティティの確率を評価するフローマッチングジェネレータである。 MIRRAは、ZINC250kの化学分布とグラフ分布の誤差をそれぞれ29-31%、53-60%削減し、最大8.6倍高速である。
• 参考スコア（独自算出の注目度）: 0.3906427348768226
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Fast, high-fidelity molecular generation requires accurate chemical choices and efficient sampling. Chemical building blocks reduce graph size, but make each node a choice among tens of thousands of related identities. We introduce MIRRA (Molecular Identity Representation, Refresh and Assembly), a discrete flow-matching generator that learns from chemical knowledge and evaluates identity probabilities only when needed, while keeping every identity in its vocabulary available. Chemical features share information across related blocks, and learned identity corrections distinguish them in molecular context. By deciding which positions will refresh before computing their probabilities, the sampler avoids unused predictions while preserving each sampling transition. Against the strongest baselines in each task, MIRRA reduces chemical and graph distribution errors on ZINC250k by 29-31% and 53-60%, respectively, with generation up to 8.6 times faster. Property targeting yields an estimated 7.8-20.8 times more distinct novel hits per second. On a held-out polymer test set, MIRRA achieves 100% periodic validity with known chain topology, versus 57.0% for a polymer variational autoencoder. These results demonstrate fast, high-fidelity generation with the full chemical vocabulary available throughout sampling.
• Abstract（参考訳）: 高速で高忠実な分子生成には、正確な化学的選択と効率的なサンプリングが必要である。 ケミカルビルディングブロックはグラフのサイズを減少させるが、各ノードは数万の関連するIDの中から選択できる。 MIRRA(Molecular Identity Representation, Refresh and Assembly)は,化学知識から学習し,必要なときにのみ識別確率を評価できる個別フローマッチングジェネレータである。 化学的特徴は関連するブロック間で情報を共有し、学習されたアイデンティティ補正はそれらを分子コンテキストで区別する。 確率を計算する前にどの位置がリフレッシュされるかを決定することで、サンプルはサンプリング遷移を保存しながら未使用の予測を避けることができる。 それぞれのタスクにおいて最強のベースラインに対して、MIRRAはZINC250k上の化学分布とグラフ分布の誤差をそれぞれ29-31%、53-60%削減し、最大8.6倍高速になる。 特性ターゲティングは1秒あたり7.8-20.8倍の新規ヒットを発生させる。 保持されたポリマー試験セットでは、MIRRAは既知の鎖トポロジーで100%周期的妥当性を達成するが、ポリマー変量オートエンコーダでは57.0%である。 これらの結果から, 全化学語彙を用いた高速かつ高忠実な生成が可能となった。

関連論文リスト

• Multi-Agent Closed-Loop Reasoning for Organic Structure Elucidation from Multimodal Spectra [14.276214371686855]
  我々は,専門家の反復的仮説検証をエミュレートし,構造解明を自動化するマルチエージェントシステムMACROSを提案する。 様々な現実世界のサンプルに対して前例のないゼロショットの一般化を実現し、1DNMRで500 Da以上の合成化合物、天然物、代謝物を正しく同定する。 MacROSは化学者が協力して6倍速く、40%精度が向上する。
  論文  参考訳（メタデータ） (2026-08-12T05:48:29Z)
• Learning Continuous Solvent Effects from Transient Flow Data: A Graph Neural Network Benchmark on Catechol Rearrangement [0.0]
  この研究は、高スループットな過渡的フロー化学データセットである textbfCatechol Benchmarkを導入している。 化学環境への一般化を実証するため, 厳密な溶出・溶出プロトコルおよび溶出・溶出プロトコルによる各種アーキテクチャの評価を行った。 本稿では,グラフ注意ネットワーク(GAT)と差動反応フィンガープリント(DRFP)を統合し,混合認識符号化を学習するハイブリッドGNNアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-12-22T16:19:01Z)
• Copy-Augmented Representation for Structure Invariant Template-Free Retrosynthesis [17.5286075847689]
  C-SMILESは、従来のSMILESを5つの特別なトークンを持つ要素対に分解する新しい表現である。 提案手法はSMILESアライメントガイダンスを統合し,アテンションの整合性向上と地中構造原子マッピングを実現する。 この研究は、生成分子の99.9%の妥当性を持つ構造認識分子生成の新しいパラダイムを確立する。
  論文  参考訳（メタデータ） (2025-10-18T17:25:36Z)
• YZS-model: A Predictive Model for Organic Drug Solubility Based on Graph Convolutional Networks and Transformer-Attention [9.018408514318631]
  伝統的な手法は複雑な分子構造を見逃し、不正確な結果をもたらすことが多い。 本稿では,グラフ畳み込みネットワーク(GCN),トランスフォーマーアーキテクチャ,Long Short-Term Memory(LSTM)ネットワークを統合するディープラーニングフレームワークであるYZS-Modelを紹介する。 YZS-Modelは、R2$ 0.59、RMSE$ 0.57を達成し、ベンチマークモデルを上回った。
  論文  参考訳（メタデータ） (2024-06-27T12:40:29Z)
• 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)
• Chemical-Reaction-Aware Molecule Representation Learning [88.79052749877334]
  本稿では,化学反応を用いて分子表現の学習を支援することを提案する。 本手法は,1) 埋め込み空間を適切に整理し, 2) 分子埋め込みの一般化能力を向上させるために有効であることが証明された。 実験結果から,本手法は様々なダウンストリームタスクにおける最先端性能を実現することが示された。
  論文  参考訳（メタデータ） (2021-09-21T00:08:43Z)
• 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)

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。