論文の概要: MolHop: Scaffold-Hopping Molecular Design with Agentic Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2610.19920v1
• Date: Wed, 14 Oct 2026 10:11:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.085358
• Title: MolHop: Scaffold-Hopping Molecular Design with Agentic Reinforcement Learning
• Title（参考訳）: MolHop: エージェント強化学習によるスカッフルホット分子設計
• Abstract要約: MolHopはクロススキャフォールド分子発見のためのエージェントフレームワークである。 分子のクロススキャフォールド発見のためのエージェントフレームワークであるMollHopを提案する。
• 参考スコア（独自算出の注目度）: 10.3331163486223
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Molecular design is often formulated as an optimization problem over existing molecular spaces. However, molecular optimization and the discovery of structurally distinct replacement molecules represent two fundamentally different search problems. LLM-based molecular design agents typically perform the former, conducting local refinement within the neighborhood of existing structures to improve target properties through structural modifications. In contrast, the latter requires exploration of a broader chemical space to discover molecules with entirely different scaffolds while preserving the functional characteristics of reference molecules. We propose MolHop, an agentic framework for cross-scaffold molecular discovery that enables models to navigate and edit within a pre-organized chemical space. MolHop organizes approximately 1.6 million molecular scaffolds from commercial molecules into a coarse-to-fine hierarchical action space. The agent selects new exploration regions through scaffold navigation actions and adjusts candidate properties through molecular editing. The framework maintains historical trajectory memory to support long-horizon search processes. On drug molecule and commercial compound tasks, connecting Grok-4.6 and DeepSeek-Flash-V4.1 to the MolHop framework substantially improves their cross-scaffold joint success rates. We develop MolHop-9B through agentic reinforcement learning, and MolHop-9B outperforms generative baselines including GPT-5.6-sol, Claude-5-Opus, and Gemini-3.1-Pro, while generating candidate molecules with larger scaffold differences from the reference molecules. These results demonstrate that effective molecular discovery beyond the traditional optimization paradigm requires structured chemical and action spaces, enabling agents to explore new structural regions rather than merely refine existing molecules.
• Abstract（参考訳）: 分子設計は、しばしば既存の分子空間に対する最適化問題として定式化される。 しかし、分子最適化と構造的に異なる置換分子の発見は、2つの根本的な異なる探索問題を表している。 LLMをベースとした分子設計エージェントは、通常、既存の構造物の近傍で局所的な改良を行い、構造変化によって標的特性を改善する。 対照的に後者は、参照分子の機能的特性を保ちながら全く異なる足場を持つ分子を発見するために、より広い化学空間の探索を必要とする。 そこで本研究では, モデルが事前に構築された化学空間内での移動と編集を可能にする, クロススキャフォールド分子発見のためのエージェントフレームワークであるMollHopを提案する。 MolHopは商業分子から約1.6万個の分子足場を粗い階層的な行動空間にまとめている。 エージェントは、足場ナビゲーション動作により新しい探索領域を選択し、分子編集により候補特性を調整する。 このフレームワークは、長い水平探索プロセスをサポートするために、過去のトラジェクトリメモリを維持している。 薬物分子と商用化合物のタスクでは、Grok-4.6とDeepSeek-Flash-V4.1をモルホップフレームワークに接続することで、クロススキャフォールド結合の成功率が大幅に向上する。 GPT-5.6-sol, Claude-5-Opus, Gemini-3.1-Proなどの生成塩基は, 基準分子とより大きな足場差を持つ候補分子を生成しながら, 高い性能を示す。 これらの結果は、従来の最適化パラダイムを超える効果的な分子発見には、構造化された化学および作用空間が必要であり、エージェントは既存の分子を単に洗練するのではなく、新しい構造領域を探索できることを示した。

関連論文リスト

• MolLingo: Molecule-Native Representations for LLM-Powered Scientific Agents [57.28652712579434]
  分子設計を自動化するために化学者の推論過程をエミュレートするマルチエージェントシステムであるMolLingoを提案する。 MolLingoは、共有メモリモジュールを通じて、文学エージェント、化学エージェント、オーケストレーションをコーディネートすることで、この問題に対処する。 初期治療設計におけるケーススタディとして、MolLingoは、結合部位の幾何学と残基レベルのタンパク質コンテキストにおけるChemist Agentの推論を根拠にしている。
  論文  参考訳（メタデータ） (2026-05-27T02:11:23Z)
• Mol-LLaMA: Towards General Understanding of Molecules in Large Molecular Language Model [52.84455878597969]
  Mol-LLaMAは、分子を中心とした一般的な知識を把握した大きな分子言語モデルである。 分子理解を改善するために,分子エンコーダの相補的な情報を統合するモジュールを提案する。
  論文  参考訳（メタデータ） (2025-02-19T05:49:10Z)
• Navigating Chemical Space with Latent Flows [20.95884505685799]
  本稿では,分子生成モデルによって学習された潜伏空間をフローを通して移動させることにより,化学空間を横断する新しいフレームワークであるChemFlowを提案する。 我々は,分子操作におけるChemFlowの有効性と,教師なしおよび教師なしの両方の分子発見条件下での単目的および多目的最適化タスクの有効性を検証した。
  論文  参考訳（メタデータ） (2024-05-07T03:55:57Z)
• An Equivariant Generative Framework for Molecular Graph-Structure Co-Design [54.92529253182004]
  分子グラフ構造アンダーラインCo設計のための機械学習ベースの生成フレームワークであるMollCodeを提案する。 MolCodeでは、3D幾何情報によって分子2Dグラフの生成が促進され、それによって分子3D構造の予測が導かれる。 分子設計における2次元トポロジーと3次元幾何は本質的に相補的な情報を含んでいることが明らかとなった。
  論文  参考訳（メタデータ） (2023-04-12T13:34:22Z)
• Domain-Agnostic Molecular Generation with Chemical Feedback [44.063584808910896]
  MolGenは、分子生成に特化した事前訓練された分子言語モデルである。 1億以上の分子SELFIESを再構成することで構造的および文法的な洞察を内部化する。 我々の化学フィードバックパラダイムは、モデルを分子幻覚から遠ざけ、モデルの推定確率と実世界の化学的嗜好との整合性を確保する。
  論文  参考訳（メタデータ） (2023-01-26T17:52:56Z)
• Scalable Fragment-Based 3D Molecular Design with Reinforcement Learning [68.8204255655161]
  分子構築に階層的エージェントを用いるスケーラブルな3D設計のための新しいフレームワークを提案する。 様々な実験において、エネルギーのみを考慮に入れたエージェントが、100以上の原子を持つ分子を効率よく生成できることが示されている。
  論文  参考訳（メタデータ） (2022-02-01T18:54:24Z)

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。