基于合成单元的主动学习用于分子设计
机器学习
2025-05-20 v1 定量方法
摘要
尽管彻底的虚拟筛选在现代药物发现中涉及高成本目标函数的情况下非常信息丰富，但往往难以实现。这一问题在多向量扩张等组合情境中尤为突出，因为分子空间可以迅速变得极其庞大。本文引入 Scalable Active Learning via Synthon Acquisition (SALSA)：一种可用于多向量扩张的简单算法，将基于池的主动学习扩展到非可枚举空间，方法是通过对合成单元或片段选择进行建模和获取。通过针对配体和结构为目标的实验，我们突出显示了 SALSA 的样本效率，并能够扩展至数万亿个化合物的空间。进一步，我们展示了其在三种蛋白目标上的多参数目标设计任务中的应用——发现 SALSA 生成的分子具有与已知生物活性化合物相似的化学性质轮廓，并表现出更大的化学多样性和更高的评分，超越了行业领先的生成方法。
引用
@article{arxiv.2505.12913,
title = {Active Learning on Synthons for Molecular Design},
author = {Tom George Grigg and Mason Burlage and Oliver Brook Scott and Adam Taouil and Dominique Sydow and Liam Wilbraham},
journal= {arXiv preprint arXiv:2505.12913},
year = {2025}
}
备注
14 pages, 10 figures. Presented at ICLR 2025 GEM Workshop