DMol: A Highly Efficient and Chemical Motif-Preserving Molecule Generation Platform
motif compression + codependent noise + deterministic loss で graph diffusion を 10x 高速化 (UIUC + AbbVie)
🎯 DiGress / DeFoG の弱点（step 数大・motif preservation 低）を motif-level 圧縮と codependent noise で同時解消し、10x 高速化と motif 保存品質を両立。
① 背景と課題

graph generative models（DiGress, DeFoG 等）は de novo 分子生成で進展したが、atom-level での diffusion は (a) 大量の diffusion step が必要、(b) carbon ring 等の重要 motif が壊れやすい、という弱点を持つ。SMILES validity 偏重の評価では真の chemical realism を測れない、と biochemistry コミュニティでも指摘される。

DiGress: cosine schedule で大量 step + SMILES validity 低 + motif 破壊。
DeFoG: flow matching で改善するが motif preservation の本質対処なし + dataset-specific tuning が必要。

→ motif を supernode に圧縮 + node/edge codependent noise + deterministic-aware loss の 3 革新。

② 手法 (a) Motif compression

carbon ring (benzene / pyridine 等) と頻出 chemical motif を予め検出し、graph 上で単一 supernode に圧縮。diffusion の単位を atom から motif レベルに引き上げ、生成後 motif→atom 確定的に展開。

atom-level graph → motif 検出 → supernode 圧縮 → motif-level diffusion → 展開

carbon ring 構造を chemical realism の core として明示的に保護する設計。

② 手法 (b) Codependent noise + det. loss

node 摂動と edge 摂動を codependent に（deterministic + random subgraph 混合）。loss function に deterministic 成分を陽に扱う term を追加し、訓練効率を向上。

10x step 削減
DiGress 比で wall-clock generation cost を実質的に大幅減

structural consistency 維持と高速収束を同時実現。

③ 本研究で示したこと（要点）
  • DiGress 比 step 10x 削減 + SMILES validity +3%（real-world benchmark 全件）
  • DeFoG 比 motif-conservation +4%（ChEMBL likeness / QED / shingles distance）
  • shingles distance を motif preservation の新評価 metric として提案
  • AbbVie 共同で industrial relevance に配慮した設計
④ 主な結果 (a) Step 数 vs Quality

DiGress / DeFoG / DMol の trade-off

diffusion steps (log) SMILES validity DiGress 1000 steps DeFoG ~500 steps DMol ~100 steps 10x faster, higher quality

step 数を桁減らしつつ validity 改善。Pareto 改善。

④ 主な結果 (b) Motif preservation
motif preservation metrics score ChEMBL QED shingles DiGress DeFoG DMol

3 metric 全てで DMol が最良。+4% over DeFoG が motif compression の効果。

④ 主な結果 (c) 既存手法との対比
系統強み弱み
DiGressdiscrete diffusion 初期成功step 大 + motif 破壊
DeFoGflow matching 効率motif 保存薄
DMol10x + motif 保存vocab 依存性 (要 ablation)
④ 主な結果 (d) 評価 metric 新提案
Metric意味
SMILES validitysyntactic 妥当性 (浅い)
ChEMBL likenessdrug-like 化合物への類似度
QEDquantitative drug-likeness
Shingles distancemotif preservation 直接測定 (新)

表層 metric への懐疑を Skinnider 2024 を引きつつ提示。

⑤ テイクホームメッセージ
⚡ 10x 高速化
motif 圧縮 + det. loss で diffusion step を 1 桁削減。
🧪 Motif preservation
carbon ring 等の chemical realism を保持しつつ生成。
📏 新評価 metric
shingles distance で motif 保存を直接測れる軸を導入。
🏭 Industrial 共同
UIUC + AbbVie。drug-like 設計目標の実用性配慮。
graph diffusion 系統での位置
系統diffusion 単位
DiGress (2023)atom-level
DisCoatom-level + CTMC
DeFoG (2025)atom-level flow matching
DMol (2025)motif-level + codependent
本研究のインパクト
  • graph diffusion を motif-level に引き上げる paradigm shift
  • chemexp 文脈: molgen Docker generator backend の最有力候補
  • shingles distance metric の普及で評価軸が改善する可能性
Niu, P.; Wang, Y.-H.; Rana, V.; Rupakheti, C.; Pandey, A.; Milenkovic, O. DMol: A Highly Efficient and Chemical Motif-Preserving Molecule Generation Platform. Preprint 2025. UIUC + AbbVie collaboration.