FragLDM: Fragment-Guided Latent Diffusion Model for 3D Molecular Generation
Wang et al., ICASSP 2026 — GeoLDM拡張・フラグメント保持付き3D分子生成（QM9 Valid&Unique 60%）
🎯 コアスキャフォールド・官能基を固定しながら周辺部分を3D生成するFBDD向けモデル
① 背景と課題

FBDD（Fragment-Based Drug Discovery）やリード最適化では、既知の活性フラグメントを保持しつつ周辺部分を探索したい。しかし既存の3D生成モデル（EDM・GeoLDM）は無条件生成に特化しており、フラグメント制約の後付け適用（SegmentReset / RePaintRepair）では有効性が15〜26%に留まっていた。

既存手法はフラグメント情報を訓練ループに組み込んでいない → フラグメント境界での結合不整合・低い有効性
non-fragmentからfragmentへの情報漏洩がフラグメント座標を変化させる（undirected maskingの限界）

→ フラグメント保持を訓練に内包した「有向エッジマスキング + ローカル拡散」でこれを解決

② 3つの革新コンポーネント
🔀 BFSフラグメントサンプリング
（化学的連結フラグメントを多様に生成）
↓
🎭 有向グラフエッジマスキング
（M_ij=0 for i∈F, j∉F — 全モジュールに適用）
↓
🌊 ローカル拡散 + 条件付きデノイジング
（non-fragmentのみノイズ付加・更新）

SE(3)同変性はMが座標非依存の固定バイナリテンソルのため保持される。

③ 検証結果まとめ
  • QM9 Valid&Unique 60.0%（ベースライン比+34pt）
  • Uniqueness 100%（多様性を完全保持）
  • Atom stable 87.2%（ベースライン最高77.8%超え）
  • Directed masking vs Undirected: 60.0% vs 33.3%（アブレーション）
  • フラグメント構造の完全保持を可視化で確認
④ 主要結果 (a) ベースライン比較
手法ValidityValid&UniqueAtom stable
FullMask23.8%23.6%77.8%
SegmentReset15.0%15.0%62.3%
RePaintRepair46.0%26.0%55.5%
FragLDM (提案)60.0%60.0%87.2%
Non-strict block46.7%33.3%24.1%
④ 主要結果 (b) Valid&Unique 比較 (SVG)
FullMask Segment Reset RePaint FragLDM Non-strict 23.6% 15.0% 26.0% 60.0% 33.3% Valid & Unique (%)
④ 主要結果 (c) 有向 vs 無向マスキング
Non-strict Blocking 33.3% Directed Masking 60.0% +26.7pt Valid & Unique (QM9)
④ 主要結果 (d) モデル構成パラメータ
設定値
データセットQM9 (134K分子)
Train/Val/Test100K / 17.7K / 13K
EGNN層数9層
Hidden dim192
Diffusion steps1000
OptimizerAdamW lr=1e-4
Batch size64
元素C, H, O, N, F
⑤ テイクホームメッセージ
🎭 有向エッジマスキングが核心
non-fragment→fragmentへの情報流れをブロックすることで、フラグメント座標を完全固定。Undirected maskingに対して+26.7pt。
🔀 BFSサンプリングで多様性確保
ランダムな起点原子からBFSで連結フラグメントを生成。訓練時に多様なフラグメント条件を学習させることでロバスト性を向上。
📐 SE(3)同変性を保持
Mが固定バイナリテンソルのため回転・並進変換と可換。EGNNの幾何学的整合性を損なわずフラグメント制約を実現。
💊 FBDDへの直接応用
活性コアや既知官能基を固定したまま周辺構造を探索。MolgenYamlへの統合でリード最適化ループが自動化可能。
ケムインフォへの応用
適用先ユースケース
lib/molgenコアスキャフォールド固定の制約付き分子生成
lib/molgen重要官能基（HBond donor等）保持でリード最適化
lib/dockingファーマコフォア保持生成物のVS前フィルタ

GeoLDM checkpointにMaskレイヤーを追加するだけで実装可能。lib/molgen/fragment/に配置予定。

本研究のインパクト
  • フラグメント保持を訓練に組み込んだ初の3D LDM
  • 有向マスキングによるSE(3)同変・フラグメント完全固定を達成
  • FBDD・スキャフォールドホッピングの自動化に直結
限界: 連結フラグメントのみ対応・QM9の小分子評価・LLMエージェント統合は今後の課題
Wang et al., ICASSP 2026, pp. 5691–5695 · DOI: 10.1109/ICASSP55912.2026.11464993 · Category: machine_learning