基于 Spanning Trees 的 Any-Property-Conditional Molecule Generation 及自我批判
机器学习
2025-07-17 v3 生物大分子
摘要
生成新分子具有挑战性，大多数表征方法会导致生成模型产生大量无效分子。基于 Spanning Tree 的图生成(STGG)是一种确保生成有效分子的有前景的方法，能够在无条件生成方面超越当前最先进的SMILES和图扩散模型。在现实世界中，我们希望能够基于一个或多个所需属性来生成分子，而不仅仅是无条件生成。因此，在本工作中，我们将STGG扩展到多属性条件生成。我们的方法STGG+集成了现代Transformer架构、在训练期间对属性进行随机遮蔽（实现对任意属性子集的条件化和无分类器引导）、一个辅助属性预测损失（允许模型对分子进行自我批判并选择最佳分子），以及其他改进。我们展示了STGG+在分布内和分布外条件生成以及奖励最大化方面实现了当前最先进的性能。
引用
@article{arxiv.2407.09357,
title = {Any-Property-Conditional Molecule Generation with Self-Criticism using Spanning Trees},
author = {Alexia Jolicoeur-Martineau and Aristide Baratin and Kisoo Kwon and Boris Knyazev and Yan Zhang},
journal= {arXiv preprint arXiv:2407.09357},
year = {2025}
}
备注
Code: https://github.com/SamsungSAILMontreal/AnyMolGenCritic