論文の概要: PMO-Dock: Benchmarking Docking, Specificity, and Generalization in Molecular Optimization
- arxiv url: http://arxiv.org/abs/2610.19011v1
- Date: Tue, 13 Oct 2026 18:07:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.740455
- Title: PMO-Dock: Benchmarking Docking, Specificity, and Generalization in Molecular Optimization
- Title（参考訳）: PMO-Dock:分子最適化におけるベンチマークドッキング、特異性、一般化
- Abstract要約: ドッキングに基づく最適化のためのベンチマークおよびプロトコルであるPMO-Dock(Practical Molecular Optimization for Docking)を紹介する。
PMO-Dockは、ヒット生成、リード最適化、および強力なオンターゲットバインディングを必要とする新しい特異性タスクを含む25のタスクで構成されている。
テストタスクの評価は、現実的な薬物発見設定を反映する厳格なオラクル予算の下で行われる。
- 参考スコア（独自算出の注目度）: 1.2942650891351088
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The Practical Molecular Optimization (PMO) benchmark standardized evaluation in molecular optimization, but it is built on simple property-based oracles that do not capture structure-based drug design. As the field has moved to docking-based objectives, evaluation practice has become unstandardized, and different methods report results on different docking tasks, often without a shared protocol for fair comparison or sample-efficiency constraints. To address this, we introduce Practical Molecular Optimization for Docking (PMO-Dock), a benchmark and protocol for docking-based optimization consisting of 25 tasks covering hit generation, lead optimization, and a new specificity task requiring strong on-target binding while penalizing off-target interactions. The protocol separates model development from final evaluation: validation tasks are used for hyperparameter tuning, and test tasks are held out for final evaluation and are not used during development. Evaluation on the test tasks is done under a strict oracle budget to reflect realistic drug-discovery settings. We benchmark four diverse high-performing methods spanning different optimization paradigms, Saturn (reinforcement learning), GenMol (discrete diffusion), Genetic-guided GFlowNet, and ChemLlama (LLM-based evolutionary search). Our results show no universally best method across tasks, additional analyses of hyperparameter transfer (cross-task and cross-category) and sensitivity show that transfer is often limited and varies by method, motivating method-dependent selection strategies. This benchmark provides a concrete standard for evaluating generalization to unseen tasks and sample efficiency under a limited test-time oracle budget.
- Abstract（参考訳）: 実用的分子最適化(PMO)ベンチマークは、分子最適化において標準化された評価であるが、構造に基づく薬物設計を捉えない単純な特性に基づくオラクルの上に構築されている。
フィールドがドッキングベースの目的に移行するにつれて、評価プラクティスは標準化されず、さまざまなドッキングタスクに対して、しばしば公正な比較やサンプル効率制約の共有プロトコルなしで、異なるメソッドが結果を報告している。
そこで本研究では,攻撃発生,リード最適化,およびターゲット外相互作用をペナルティ化しながら,強力なオンターゲットバインディングを必要とする新たな特異性タスクを含む,ドッキングベースの最適化のためのベンチマークとプロトコルであるPractical Molecular Optimization for Docking(PMO-Dock)を紹介する。
検証タスクはハイパーパラメータチューニングに使用され、テストタスクは最終評価のために行われ、開発中に使用されない。
テストタスクの評価は、現実的な薬物発見設定を反映する厳格なオラクル予算の下で行われる。
我々は,様々な最適化パラダイム,土星(強化学習),ゲンモール(離散拡散),遺伝的誘導GFlowNet,ChemLlama(LLMに基づく進化探索)の4つの多種多様なハイパフォーマンス手法をベンチマークした。
提案手法はタスク間では最適ではなく,ハイパーパラメータ転送(クロスタスクとクロスカテゴリ)のさらなる解析や感度は,メソッドに依存した選択戦略のモチベーションとして,転送がしばしば制限され,方法によって異なることを示している。
このベンチマークは、限られたテストタイムのオラクル予算の下で、見つからないタスクとサンプル効率の一般化を評価するための具体的な標準を提供する。
関連論文リスト
- Sample Efficient Generative Optimization for Molecular Design [3.488381738536745]
本稿では,適応的に生成する分子に対するベイズ最適化のためのフレームワークであるSEGO(Sample Efficient Generative Optimization)を紹介する。
SEGOは、他のメソッドが消費するオラクル呼び出しの10分の1だけを使用して、実用的な分子最適化ベンチマークで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2026-07-14T08:22:13Z) - Be Your Own Teacher: Steering Protein Language Models via Unsupervised Reward Optimization [85.4863852505905]
タンパク質言語モデル(PLM)の教師なし報酬最適化を導入する。
我々の重要な洞察は、本質的なモデルの不確実性とタンパク質表現モデルによって誘導される意味的整合性を組み合わせたタスク非依存報酬は、ベースモデルと温度レギュレーションの制御可能性指標と強い相関を示すことである。
我々のフレームワークは、ラベル付けされた好みや実験的なフィードバックが不足したり、利用できないような環境で、制御可能な生体分子設計へのスケーラブルな経路を提供する。
論文 参考訳（メタデータ） (2026-06-17T11:42:01Z) - GRACE-DS: a Guarded Reward-guided Agent Correction Environment in Data Science [39.146761527401424]
GRACE-DSは、LSMを用いたオートMLエージェントの事前デプロイ評価のための、データサイエンスにおけるリワード誘導エージェント補正環境である。
エージェントをリアルなワークフローステージに公開し、計画やデータインスペクションから機能エンジニアリング、モデル開発、バリデーション、コード修正まで、最終提出まで。
これらの結果から、GRACE-DSはLLMベースのAutoMLエージェントが実運用環境下で機械学習を実行する能力を評価するための堅牢なプラットフォームとして確立された。
論文 参考訳（メタデータ） (2026-06-14T19:58:06Z) - On the Role of Feedback in Test-Time Scaling of Agentic AI Workflows [71.92083784393418]
エージェントAI(自律的な計画と行動を行うシステム)は広く普及しているが、複雑なタスクにおけるタスクの成功率は低いままである。
推論時のアライメントは、サンプリング、評価、フィードバックの3つのコンポーネントに依存します。
本稿では,様々な形態の批判から抽出されたフィードバックを繰り返し挿入するIterative Agent Decoding(IAD)を紹介する。
論文 参考訳（メタデータ） (2025-04-02T17:40:47Z) - Towards Robust Multimodal Open-set Test-time Adaptation via Adaptive Entropy-aware Optimization [9.03028904066824]
オープンセットテスト時間適応(OSTTA)は、未知のクラスを含む未ラベルのターゲットドメインに、オンラインのソース事前トレーニングモデルを適用することを目的としている。
マルチモーダルオープンセットテスト時間適応に特化して設計された新しいフレームワークであるAdaptive Entropy-aware Optimization (AEO)を提案する。
論文 参考訳（メタデータ） (2025-01-23T18:59:30Z) - Better Practices for Domain Adaptation [62.70267990659201]
ドメイン適応(DA)は、ラベルを使わずに、モデルを配置データに適用するためのフレームワークを提供することを目的としている。
DAの明確な検証プロトコルは、文献の悪い実践につながっている。
ドメイン適応手法の3つの分野にまたがる課題を示す。
論文 参考訳（メタデータ） (2023-09-07T17:44:18Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳（メタデータ） (2022-06-15T19:10:35Z) - Consolidated learning -- a domain-specific model-free optimization
strategy with examples for XGBoost and MIMIC-IV [4.370097023410272]
本稿では,統合学習と呼ばれるチューニング問題の新たな定式化を提案する。
このような設定では、単一のタスクをチューニングするよりも、全体の最適化時間に関心があります。
我々は,XGBoostアルゴリズムの実証研究とMIMIC-IV医療データベースから抽出した予測タスクの収集を通じて,このアプローチの有効性を実証する。
論文 参考訳（メタデータ） (2022-01-27T21:38:53Z) - Constrained multi-objective optimization of process design parameters in
settings with scarce data: an application to adhesive bonding [48.7576911714538]
接着プロセスに最適なプロセスパラメータを見つけることは困難である。
遺伝的アルゴリズムのような伝統的な進化的アプローチは、その問題を解決するのに不適である。
本研究では,目的関数と制約関数をエミュレートするために,特定の機械学習手法をうまく応用した。
論文 参考訳（メタデータ） (2021-12-16T10:14:39Z)
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。