論文の概要: Classifier-Guided Latent Diffusion for Small-Molecule Generation
- arxiv url: http://arxiv.org/abs/2611.17650v1
- Date: Fri, 13 Nov 2026 01:41:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-16 18:43:16.289557
- Title: Classifier-Guided Latent Diffusion for Small-Molecule Generation
- Title(参考訳): 小分子生成のための分類器誘導潜時拡散
- Abstract要約: プロパティ誘導小分子生成のための潜時拡散パイプラインについて検討する。
提案フレームワークは,凍結したChemBERTaエンコーダを用いて,標準化SMILES文字列を表現する。
拡散サンプリングプロセスの導出には、微分可能な潜伏特性予測器を用いる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diffusion models have emerged as a promising class of generative models for molecular design because of their ability to learn complex chemical distributions and support conditional or guided generation. In this work, we investigate a latent diffusion pipeline for property-guided small-molecule generation. The proposed framework represents canonicalized SMILES strings using a frozen ChemBERTa encoder, trains a Transformer-based decoder to reconstruct SELFIES strings from molecular latent embeddings, and learns an unconditional denoising diffusion model in the ChemBERTa latent space. To enable property-directed generation, a differentiable latent property predictor is used to guide the diffusion sampling process. Generated SELFIES strings are converted to SMILES, validated using RDKit, and evaluated using molecular validity, uniqueness, novelty, and predicted property scores. We study guidance toward two drug-relevant binary endpoints: blood--brain barrier permeability and inhibition of human $β$-secretase 1. The results suggest that latent diffusion over pretrained molecular embeddings can generate chemically valid and novel molecules while enabling controllable steering toward desired molecular properties.
- Abstract(参考訳): 拡散モデルは、複雑な化学分布を学習し、条件付きまたはガイド付き生成をサポートする能力のために、分子設計のための有望な生成モデルのクラスとして登場した。
本研究では,プロパティ誘導小分子生成のための潜時拡散パイプラインについて検討する。
提案フレームワークは,凍結したChemBERTaエンコーダを用いて正規化SMILES文字列を表現し,トランスフォーマーをベースとしたデコーダをトレーニングし,分子潜伏埋め込みからSELFIES文字列を再構成し,ChemBERTa潜伏空間における無条件デノナイズ拡散モデルを学ぶ。
プロパティ指向生成を可能にするために、拡散サンプリングプロセスの導出に微分可能な遅延特性予測器を用いる。
生成したSELFIES文字列をSMILESに変換し、RDKitを用いて検証し、分子的妥当性、特異性、新規性、予測特性スコアを用いて評価する。
血液脳関門透過性とヒトβ$-Secretase 1阻害の2つの薬物関連二極体への誘導について検討した。
以上の結果から, 予め訓練した分子埋め込みによる潜伏拡散は, 化学的に有効な新規分子を生成できると同時に, 所望の分子特性に対して制御可能な操舵を可能にすることが示唆された。
関連論文リスト
- Conditional Synthesis of 3D Molecules with Time Correction Sampler [58.0834973489875]
Time-Aware Conditional Synthesis (TACS) は拡散モデルにおける条件生成の新しい手法である。
適応的に制御されたプラグアンドプレイの"オンライン"ガイダンスを拡散モデルに統合し、サンプルを所望の特性に向けて駆動する。
論文 参考訳(メタデータ) (2024-11-01T12:59:25Z) - Chemistry-Inspired Diffusion with Non-Differentiable Guidance [10.573577157257564]
拡散モデルの最近の進歩は、新しい分子の条件生成に顕著な可能性を示している。
本研究では, 量子化学の領域知識を微分不可能なオラクルとして活用し, 非条件拡散モデルを導出する手法を提案する。
オラクルはニューラルネットワークに頼る代わりに、推定勾配の形で正確なガイダンスを提供し、量子化学によって指定された条件分布から拡散過程をサンプリングすることができる。
論文 参考訳(メタデータ) (2024-10-09T03:10:21Z) - LDMol: A Text-to-Molecule Diffusion Model with Structurally Informative Latent Space Surpasses AR Models [55.5427001668863]
テキスト条件付き分子生成のための遅延拡散モデル LDMol を提案する。
実験の結果, LDMolはテキストから分子生成ベンチマークにおいて, 既存の自己回帰ベースラインよりも優れていた。
我々は,LDMolを分子間検索やテキスト誘導分子編集などの下流タスクに適用できることを示す。
論文 参考訳(メタデータ) (2024-05-28T04:59:13Z) - 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) - Exploring Chemical Space with Score-based Out-of-distribution Generation [57.15855198512551]
生成微分方程式(SDE)にアウト・オブ・ディストリビューション制御を組み込んだスコアベース拡散方式を提案する。
いくつかの新しい分子は現実世界の薬物の基本的な要件を満たしていないため、MOODは特性予測器からの勾配を利用して条件付き生成を行う。
我々はMOODがトレーニング分布を超えて化学空間を探索できることを実験的に検証し、既存の方法で見いだされた分子、そして元のトレーニングプールの上位0.01%までも生成できることを実証した。
論文 参考訳(メタデータ) (2022-06-06T06:17:11Z)
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。