論文の概要: EVA-Flow: Learning Shared Chemistry for Unified Environment-Aware Molecular Conformation Generation

• arxiv url: http://arxiv.org/abs/2610.36280v1
• Date: Mon, 26 Oct 2026 20:59:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.433864
• Title: EVA-Flow: Learning Shared Chemistry for Unified Environment-Aware Molecular Conformation Generation
• Title（参考訳）: EVA-Flow: 統一環境を考慮した分子コンフォーメーション生成のための共有化学学習
• Abstract要約: 分子3次元構造は熱力学、運動学、結晶化、核生成のシミュレーションの基礎となる。 既存のモデルは環境効果を無視したり、環境ごとに個別にモデルを訓練する。 環境に配慮した分子コンフォメーション生成のための統合フレームワークであるEVA-Flowを紹介する。
• 参考スコア（独自算出の注目度）: 53.898139514218
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Molecular 3D structures underpin simulations of thermodynamics, kinetics, crystallization, and nucleation, making their accurate prediction central to drug discovery and materials design. However, molecular geometry can change dramatically across environments. Existing models either ignore environmental effects or train separate models for each environment. We hypothesize that transfer learning across contexts is possible for conformer generation and that a general model will perform better when training data are limited, as in ligand binding and crystallization. We introduce EVA-Flow, a unified framework for environment-aware molecular conformation generation that learns shared chemical structure and adapts it through environment-conditioned generative modeling. Across vacuum, protein-ligand docking, solvation, and crystal packing, pretraining and cross-environment finetuning provide their largest gains in the three data-scarce settings. Evaluation against multiple reference conformations shows that EVA-Flow covers a broad range of solvation conformations. Analyses of molecules shared across environments support its ability to generate different conformations for the same molecule in different environments.
• Abstract（参考訳）: 分子3D構造は熱力学、運動学、結晶化、核生成のシミュレーションの基礎となり、薬品発見と材料設計の中心となる正確な予測を行う。 しかし、分子幾何学は環境全体にわたって劇的に変化する。 既存のモデルは環境効果を無視したり、環境ごとに個別にモデルを訓練する。 我々は,コンホメータ生成においてコンテキスト間での伝達学習が可能であり,リガンド結合や結晶化のように,トレーニングデータに制限がある場合の一般モデルの性能が向上すると仮定する。 EVA-Flowは環境に配慮した分子コンホメーション生成のための統合フレームワークで、共有化学構造を学習し、環境条件付き生成モデルにより適応する。 真空、タンパク質-リガンドドッキング、溶解、結晶充填、プレトレーニング、環境横断ファインタニングは、3つのデータ・スカース・セッティングにおいて最大の利益をもたらす。 複数の参照コンフォメーションに対する評価は、EVA-Flowが幅広い解決コンフォメーションをカバーしていることを示している。 環境間で共有される分子の分析は、異なる環境下で同じ分子に対して異なるコンホメーションを生成する能力を支持する。

関連論文リスト

• Ensemble-Conditioned Molecular Design [41.968590587501616]
  分子のコンフォメーションアンサンブルのモードと特性の最適化として分子設計を再設計する。 両軸に3次元分子生成モデルを同時に設定するフレームワークであるアンサンブル条件付きガイダンスを導入する。 マルチモード条件付けとアンサンブル特性最適化のための新しいベンチマークを評価する。
  論文  参考訳（メタデータ） (2026-09-14T05:49:37Z)
• Packora: Systematic Design for Generative Molecular Crystal Structure Prediction [29.599535841852727]
  分子結晶構造予測(CSP)のためのフローベース生成モデルであるPackoraを提案する。 Packoraは多成分および有機金属結晶をサポートし、分子コンフォメータ、立体化学ラベル、空間群情報の任意のサブセットに単一のモデルで条件付けすることができる。 我々は生成とランキングを別々に評価し、ジェネレータの品質とランキングを分離し、共通の緩和とランキングパイプラインの下でエンドツーエンドのパフォーマンスを測定する。
  論文  参考訳（メタデータ） (2026-08-27T11:01:18Z)
• Mol-JEPA: A multimodal Joint Embedding Predictive Architecture for Molecules [35.183340114166654]
  Mol-JEPAは、分子世界のモデルを学ぶためのスケーラブルなフレームワークである。 我々のモデルは、分子構造、細胞性表現型、結合親和性、ADMETプロファイル、量子化学シミュレーションやその他の薬物発見データからの情報を活用するために、モダリティマスキングを使用する。
  論文  参考訳（メタデータ） (2026-08-23T22:55:38Z)
• Zatom-1: A Multimodal Flow Foundation Model for 3D Molecules and Materials [51.342983349686556]
  汎用的な3Dケミカルモデリングは分子や材料を含み、生成能力と予測能力の両方を必要とする。 Zatom-1は、3D分子や材料の生成的および予測的学習を統一する、エンド・ツー・エンドの完全なオープンソース基盤モデルである。
  論文  参考訳（メタデータ） (2026-02-24T20:52:39Z)
• FlexiFlow: decomposable flow matching for generation of flexible molecular ensemble [43.16267651837197]
  FlexiFlowはフローマッチングモデルを拡張する新しいアーキテクチャです。 本稿では,QM9およびGEOM Drugsデータセットに対するアプローチの有効性を示す。
  論文  参考訳（メタデータ） (2025-11-21T13:50:54Z)
• MUDiff: Unified Diffusion for Complete Molecule Generation [104.7021929437504]
  本稿では,原子の特徴,2次元離散分子構造,および3次元連続分子座標を含む分子の包括的表現を生成する新しいモデルを提案する。 拡散過程を認知するための新しいグラフトランスフォーマーアーキテクチャを提案する。 我々のモデルは、安定で多様な分子を設計するための有望なアプローチであり、分子モデリングの幅広いタスクに適用できる。
  論文  参考訳（メタデータ） (2023-04-28T04:25:57Z)
• Learning Neural Generative Dynamics for Molecular Conformation Generation [89.03173504444415]
  分子グラフから分子コンフォメーション(つまり3d構造)を生成する方法を検討した。 分子グラフから有効かつ多様なコンフォーメーションを生成する新しい確率論的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-02-20T03:17:58Z)

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。