AReUReDi：用于细化带多目标引导的离散流的退火修正更新
机器学习
2025-10-06 v2 生物大分子
摘要
设计满足多个通常是相互冲突目标的序列是治疗和生物分子工程中的核心挑战。现有的生成框架主要在具有单目标引导的连续空间中运行，而离散方法缺乏多目标帕累托最优性的保证。我们引入了AReUReDi（用于细化离散流的退火修正更新），这是一种具有收敛到帕累托前沿理论保证的离散优化算法。基于修正离散流（ReDi），AReUReDi结合了切比雪夫标量化、局部平衡提议和退火Metropolis-Hastings更新，在保持分布不变性的同时，将采样偏向帕累托最优状态。应用于肽和SMILES序列设计，AReUReDi同时优化多达五种治疗特性（包括亲和力、溶解度、溶血、半衰期和非污染性），并优于基于进化和扩散的基线。这些结果确立了AReUReDi作为一个强大的、基于序列的多属性生物分子生成框架。
引用
@article{arxiv.2510.00352,
title = {AReUReDi: Annealed Rectified Updates for Refining Discrete Flows with Multi-Objective Guidance},
author = {Tong Chen and Yinuo Zhang and Pranam Chatterjee},
journal= {arXiv preprint arXiv:2510.00352},
year = {2025}
}