論文の概要: MFG: Multi-turn Feedback Guided Molecular Optimization

• arxiv url: http://arxiv.org/abs/2610.18851v1
• Date: Tue, 13 Oct 2026 17:58:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.703755
• Title: MFG: Multi-turn Feedback Guided Molecular Optimization
• Title（参考訳）: MFG:マルチターンフィードバック誘導分子最適化
• Abstract要約: MFG(Multi-turn Feedback Guided)分子最適化を提案する。 MFGはLLMを訓練し、前のターンからのフィードバックを使って分子を段階的に最適化する。 $textGeLLM3textO-MFG$は、平均的な類似性に制約のある成功率を達成する。
• 参考スコア（独自算出の注目度）: 6.824274737693432
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Multi-objective molecular optimization is a critical process in drug discovery that aims to modify a given molecule to simultaneously improve multiple properties while maintaining a similar overall structure. This process often requires iterative modifications guided by computational or experimental feedback. Recent large language model (LLM)-based methods have begun to explore this iterative approach; however, these methods are not explicitly trained to leverage such feedback, while existing approaches primarily focus on single-turn molecular optimization. To address this gap, we introduce Multi-turn Feedback Guided (MFG) molecular optimization, a reinforcement learning framework that trains an LLM to progressively optimize molecules using feedback from previous turns. MFG introduces a feedback vector capturing both property improvements and source molecule similarity, alongside a feedback-aligned reward function that promotes progressive improvement across turns. We apply MFG over $\text{GeLLM}^{3}\text{O}$, a state-of-the-art LLM model for multi-objective molecular optimization, evaluate $\text{GeLLM}^{3}\text{O-MFG}$ on ten multi-objective molecular optimization tasks. The results demonstrate that $\text{GeLLM}^{3}\text{O-MFG}$ achieves the highest average similarity-constrained success rate ($81.50%$), outperforming the base model $\text{GeLLM}^{3}\text{O}$ ($70.81%$).
• Abstract（参考訳）: 多目的分子最適化(Multi-objective molecular optimization)は、薬物発見において重要なプロセスであり、同じ全体構造を維持しながら、与えられた分子を同時に改善することを目的としている。 このプロセスは、しばしば計算や実験的なフィードバックによって導かれる反復的な修正を必要とする。 近年の大規模言語モデル(LLM)に基づく手法はこの反復的アプローチを探求し始めているが、これらの手法はそのようなフィードバックを活用するために明示的に訓練されていない。 このギャップに対処するために,LLMをトレーニングする強化学習フレームワークであるMFG(Multi-turn Feedback Guided)分子最適化を導入する。 MFGは、特性改善とソース分子の類似性の両方をキャプチャするフィードバックベクトルを導入し、ターン間のプログレッシブ改善を促進するフィードバック整合報酬関数を導入した。 MFG over $\text{GeLLM}^{3}\text{O}$, a state-of-the-art LLM model for multi-jective molecular optimization, evaluate $\text{GeLLM}^{3}\text{O-MFG}$ on ten multi-jective molecular optimization task。 結果は、$\text{GeLLM}^{3}\text{O-MFG}$が、ベースモデル$\text{GeLLM}^{3}\text{O}$$(70.81%$)よりも高い平均類似性に制約された成功率(81.50%$)を達成することを示した。

関連論文リスト

• Reference-guided Policy Optimization for Molecular Optimization via LLM Reasoning [58.644854860003704]
  大規模言語モデル(LLM)は、教師付き微調整(SFT)と、推論タスクにおける検証可能な報酬(RLVR)による強化学習の恩恵を受ける。 基準分子上の応答のみのSFTは推論を崩壊させ、RLVRは類似性制約下でスパースフィードバックを提供する。 本稿では、軌道データを必要としない参照分子から学習する最適化手法である参照誘導政策最適化(RePO)を紹介する。
  論文  参考訳（メタデータ） (2026-03-06T04:39:08Z)
• Feedback Descent: Open-Ended Text Optimization via Pairwise Comparison [48.89195616081196]
  Feedback Descentは、構造化されたテキストフィードバックを通じてテキストアーティファクト(プロンプト、コード、分子)を最適化するフレームワークである。 テキスト内学習は、構造化されたフィードバックを勾配のような方向情報に変換し、ターゲットとなる編集を可能にする。 DOCKSTRINGの分子探索ベンチマークにおいて、Feedback Descentは6つのタンパク質標的に対して260,000ドル以上の化合物を持つデータベースの99.9ドルのパーセンタイルを超える新規な薬物様分子を同定した。
  論文  参考訳（メタデータ） (2025-11-11T07:14:13Z)
• Text-Guided Multi-Property Molecular Optimization with a Diffusion Language Model [20.250683535089617]
  変換器を用いた拡散言語モデル(TransDLM)を用いたテキスト誘導多目的分子最適化手法を提案する。 物理的、化学的に詳細なセマンティクスを特異的な分子表現と融合することにより、TransDLMは様々な情報ソースを効果的に統合し、正確な最適化を導く。
  論文  参考訳（メタデータ） (2024-10-17T14:30:27Z)
• AgentDrug: Utilizing Large Language Models in an Agentic Workflow for Zero-Shot Molecular Optimization [23.049663667543815]
  AgentDrugは、構造化された精錬プロセスにおけるLLMを活用するエージェントワークフローで、精度が大幅に向上する。 Qwen-2.5-3Bでは、AgentDrugは6つの単一プロパティタスクで20.7%(ルース)、16.8%(制限)、そして8つのマルチプロパティタスクで7.0%と5.3%の精度向上を実現している。 より大型のQwen-2.5-7Bでは、AgentDrugはさらに6つの単一目的の精度を28.9%(ルース)と29.0%(制限)で改善する。
  論文  参考訳（メタデータ） (2024-10-17T02:04:57Z)
• XMOL: Explainable Multi-property Optimization of Molecules [2.320539066224081]
  複数の分子特性を同時に最適化するために,分子のマルチプロパティ最適化(XMOL)を提案する。 我々のアプローチは、最先端の幾何学的拡散モデルに基づいており、それらをマルチプロパティ最適化に拡張している。 最適化プロセス全体を通して解釈的および説明可能な技術を統合する。
  論文  参考訳（メタデータ） (2024-09-12T06:35:04Z)
• An Empirical Evaluation of Zeroth-Order Optimization Methods on AI-driven Molecule Optimization [78.36413169647408]
  分子目的を最適化するための様々なZO最適化手法の有効性について検討する。 ZO符号に基づく勾配降下(ZO-signGD)の利点を示す。 本稿では,Guurcamol スイートから広く使用されているベンチマークタスクに対して,ZO 最適化手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-10-27T01:58:10Z)
• 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。