論文の概要: PairIT: Autoregressive Transformers for Low-Data Molecule Optimization

• arxiv url: http://arxiv.org/abs/2610.19123v1
• Date: Tue, 13 Oct 2026 19:57:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.779101
• Title: PairIT: Autoregressive Transformers for Low-Data Molecule Optimization
• Title（参考訳）: PairIT:低データ分子最適化のための自動回帰変換器
• Abstract要約: PairITはSMILESシーケンス上の自動回帰変換のためのフレキシブルなトレーニングフレームワークである。 これは、構造的に類似した分子のペアから学ぶことによって、シード生成を可能にする。 低データ状態下では、堅牢なシード化分子最適化を実現することができる。
• 参考スコア（独自算出の注目度）: 12.641469568278055
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generating novel molecules with desired properties is a central challenge in drug discovery. Although foundational work focused on de novo generation, practical use cases require a more complex setting: conditioning on an initial seed molecule, optimizing multiple properties, and operating in data-sparse regimes. We introduce PairIT, a flexible training framework for autoregressive transformers over SMILES sequences that enables seeded generation by learning from pairs of structurally similar molecules. By leveraging matched pairs, the model learns to generate local, chemically meaningful edits that improve a property of the seed molecule. Prompt tokens extend this framework by specifying the target property, desired direction, and approximate magnitude of change. Multiple prompt tokens can be concatenated to enable multi-property optimization at inference time. For properties where pair supervision alone is insufficient, reinforcement learning post-training can further improve optimization, providing a tunable trade-off between proximity to the seed and the optimization objective. PairIT naturally supports pretraining on a large dataset and fine-tuning on a smaller dataset, which is critical for performance in data-sparse regimes. Surprisingly, we observe diminishing returns to the scale of the pretraining dataset. We demonstrate empirically on MoleculeNet and Therapeutics Data Commons datasets that, with appropriate paired-data curation, a standard transformer model of modest size (68M parameters) can achieve robust seeded molecular optimization in low-data regimes.
• Abstract（参考訳）: 望ましい性質を持つ新規分子の生成は、薬物発見における中心的な課題である。 デノボ生成に焦点をあてた基礎的な研究は、初期シード分子の条件付け、複数の特性の最適化、データスパース体制での運用など、より複雑なユースケースを必要とする。 SMILES配列上の自己回帰変換器のためのフレキシブルなトレーニングフレームワークであるPairITを導入する。 マッチングされたペアを利用することで、モデルは、種子分子の特性を改善するための局所的、化学的に有意義な編集を生成することを学ぶ。 プロンプトトークンは、ターゲットプロパティ、所望の方向、およびおおよその変化の大きさを指定することで、このフレームワークを拡張します。 複数のプロンプトトークンを結合して、推論時にマルチプロパティ最適化を可能にする。 ペアの監督が不十分な特性に対しては、強化学習後訓練により最適化がさらに向上し、種子の近接性と最適化目標との調整可能なトレードオフが提供される。 PairITは、大規模なデータセットでの事前トレーニングと、小さなデータセットでの微調整を自然にサポートする。 驚くべきことに、プレトレーニングデータセットのスケールに対するリターンが減少するのを観察する。 我々は,MoleculeNetとTherapeutics Data Commonsのデータセットを実証的に検証し,適切なペアデータキュレーションにより,モデストサイズ(68Mパラメータ)の標準トランスフォーマモデルにより,低データ構造における堅牢なシード化分子最適化を実現することを実証した。

関連論文リスト

• Scaffold-Conditioned Preference Triplets for Controllable Molecular Optimization with Large Language Models [32.68069719676566]
  textbfScaffold-Conditioned Preference Triplets (SCPT)は、類似性に制約のある三重項を$langletextscaffold, textbetter, textworserangle$で構築するパイプラインで、足場アライメントと、妥当性、合成性、有意義なプロパティゲインのための化学駆動フィルタである。 一般の非LLM分子最適化法と比較して,SCPT学習LLMは足場制約や多目的最適化に適している。
  論文  参考訳（メタデータ） (2026-04-14T06:38:07Z)
• Refine Drugs, Don't Complete Them: Uniform-Source Discrete Flows for Fragment-Based Drug Discovery [0.0]
  InVirtuoGenは,de novo と fragment-constrained 生成のための断片化SMILESの離散フロー生成モデルである。 本稿では,遺伝的アルゴリズムと遺伝的特性最適化の微調整戦略を組み合わせたハイブリッド手法を提案する。 提案手法は,タスク全体にわたるトップ10のAUCによって測定された,実用的分子最適化ベンチマークの最先端を新たに設定する。
  論文  参考訳（メタデータ） (2025-09-30T15:34:53Z)
• 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)
• Transfer Learning for Molecular Property Predictions from Small Data Sets [0.0]
  2つの小さなデータセット上での分子特性の予測のために、一般的な機械学習モデルをベンチマークする。 本稿では,大規模なデータセットを用いて各モデルを事前学習し,元のデータセットを微調整した上で,より正確なモデルを得ることができる転送学習戦略を提案する。
  論文  参考訳（メタデータ） (2024-04-20T14:25:34Z)
• DecompOpt: Controllable and Decomposed Diffusion Models for Structure-based Molecular Optimization [49.85944390503957]
  DecompOptは、制御可能・拡散モデルに基づく構造に基づく分子最適化手法である。 DecompOptは強いde novoベースラインよりも優れた特性を持つ分子を効率よく生成できることを示す。
  論文  参考訳（メタデータ） (2024-03-07T02:53:40Z)
• Molecule Design by Latent Prompt Transformer [76.2112075557233]
  本研究は、分子設計の課題を条件付き生成モデリングタスクとしてフレーミングすることによって検討する。 本研究では,(1)学習可能な事前分布を持つ潜伏ベクトル,(2)プロンプトとして潜伏ベクトルを用いる因果トランスフォーマーに基づく分子生成モデル,(3)潜在プロンプトを用いた分子の目標特性および/または制約値を予測する特性予測モデルからなる新しい生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-27T03:33:23Z)
• 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。