Buchumschlag

Refine Drugs, Don't Complete Them: Uniform-Source Discrete Flows for Fragment-Based Drug Discovery

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Kaech, Benno, Wyss, Luis, Borgwardt, Karsten, Grasso, Gianvito
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

A Comprehensive Benchmark for RNA 3D Structure-Function Modeling
von: Wyss, Luis, et al.
Veröffentlicht: (2025)

Drug Discovery with Dynamic Goal-aware Fragments
von: Lee, Seul, et al.
Veröffentlicht: (2023)

GenMol: A Drug Discovery Generalist with Discrete Diffusion
von: Lee, Seul, et al.
Veröffentlicht: (2025)

QComp: A QSAR-Based Data Completion Framework for Drug Discovery
von: Yang, Bingjia, et al.
Veröffentlicht: (2024)

A Foundation Chemical Language Model for Comprehensive Fragment-Based Drug Discovery
von: Ho, Alexander, et al.
Veröffentlicht: (2025)

Flatten Graphs as Sequences: Transformers are Scalable Graph Generators
von: Chen, Dexiong, et al.
Veröffentlicht: (2025)

What LLMs Think When You Don't Tell Them What to Think About?
von: Kwon, Yongchan, et al.
Veröffentlicht: (2026)

Learning Long Range Dependencies on Graphs via Random Walks
von: Chen, Dexiong, et al.
Veröffentlicht: (2024)

AI Agents in Drug Discovery
von: Seal, Srijit, et al.
Veröffentlicht: (2025)

Experts Don't Cheat: Learning What You Don't Know By Predicting Pairs
von: Johnson, Daniel D., et al.
Veröffentlicht: (2024)

Don't be lazy: CompleteP enables compute-efficient deep transformers
von: Dey, Nolan, et al.
Veröffentlicht: (2025)

Fast Graph Generation via Autoregressive Noisy Filtration Modeling
von: Krimmel, Markus, et al.
Veröffentlicht: (2025)

PolyGraph Discrepancy: a classifier-based metric for graph generation
von: Krimmel, Markus, et al.
Veröffentlicht: (2025)

BVSIMC: Bayesian Variable Selection-Guided Inductive Matrix Completion for Improved and Interpretable Drug Discovery
von: Fan, Sijian, et al.
Veröffentlicht: (2026)

Don't Stop Me Now: Embedding Based Scheduling for LLMs
von: Shahout, Rana, et al.
Veröffentlicht: (2024)

Don't Start from Scratch: Behavioral Refinement via Interpolant-based Policy Diffusion
von: Chen, Kaiqi, et al.
Veröffentlicht: (2024)

A Morse Transform for Drug Discovery
von: Tanaka, Alexander M., et al.
Veröffentlicht: (2025)

Recent Developments in GNNs for Drug Discovery
von: Fang, Zhengyu, et al.
Veröffentlicht: (2025)

DrugAgent: Automating AI-aided Drug Discovery Programming through LLM Multi-Agent Collaboration
von: Liu, Sizhe, et al.
Veröffentlicht: (2024)

If You Don't Understand It, Don't Use It: Eliminating Trojans with Filters Between Layers
von: Hernandez, Adriano
Veröffentlicht: (2024)

REINFORCE-ING Chemical Language Models for Drug Discovery
von: Thomas, Morgan, et al.
Veröffentlicht: (2025)

Protein Fold Classification at Scale: Benchmarking and Pretraining
von: Chen, Dexiong, et al.
Veröffentlicht: (2026)

DrugSAGE:Self-evolving Agent Experience for Efficient State-of-the-Art Drug Discovery
von: Zhang, Yikun, et al.
Veröffentlicht: (2026)

Quantum-machine-assisted Drug Discovery
von: Zhou, Yidong, et al.
Veröffentlicht: (2024)

Rectified Flow For Structure Based Drug Design
von: Zhang, Daiheng, et al.
Veröffentlicht: (2024)

MolBridge: Atom-Level Joint Graph Refinement for Robust Drug-Drug Interaction Event Prediction
von: Lin, Xuan, et al.
Veröffentlicht: (2025)

Don't Freeze, Don't Crash: Extending the Safe Operating Range of Neural Navigation in Dense Crowds
von: Zhang, Jiefu, et al.
Veröffentlicht: (2026)

Enhancing Uncertainty Quantification in Drug Discovery with Censored Regression Labels
von: Svensson, Emma, et al.
Veröffentlicht: (2024)

SculptDrug : A Spatial Condition-Aware Bayesian Flow Model for Structure-based Drug Design
von: Zhong, Qingsong, et al.
Veröffentlicht: (2025)

DrugPlayGround: Benchmarking Large Language Models and Embeddings for Drug Discovery
von: Liu, Tianyu, et al.
Veröffentlicht: (2026)

When Models Don't Collapse: On the Consistency of Iterative MLE
von: Barzilai, Daniel, et al.
Veröffentlicht: (2025)

Position: Don't be Afraid of Over-Smoothing And Over-Squashing
von: Kormann, Niklas, et al.
Veröffentlicht: (2026)

Grow, Don't Overwrite: Fine-tuning Without Forgetting
von: Adila, Dyah, et al.
Veröffentlicht: (2026)

RAG-Enhanced Collaborative LLM Agents for Drug Discovery
von: Lee, Namkyeong, et al.
Veröffentlicht: (2025)

Generative Flows on Synthetic Pathway for Drug Design
von: Seo, Seonghwan, et al.
Veröffentlicht: (2024)

Predict, Don't React: Value-Based Safety Forecasting for LLM Streaming
von: Kavumba, Pride, et al.
Veröffentlicht: (2026)

Don't Break the Boundary: Continual Unlearning for OOD Detection Based on Free Energy Repulsion
von: Peng, Ningkang, et al.
Veröffentlicht: (2026)

Conditional Chemical Language Models are Versatile Tools in Drug Discovery
von: Zhu, Lu, et al.
Veröffentlicht: (2025)

Graph Neural Networks in Modern AI-aided Drug Discovery
von: Zhang, Odin, et al.
Veröffentlicht: (2025)

How Evaluation Choices Distort the Outcome of Generative Drug Discovery
von: Özçelik, Rıza, et al.
Veröffentlicht: (2024)