自动化药物设计的奖励函数配置
机器学习
2023-12-18 v1 生物大分子
摘要
设计奖励函数以引导生成式分子设计（GMD）算法至化学空间的理想区域，在 AI 驱动的药物发现中至关重要。传统上，这是一项手动且易出错的任务；选择适当的计算方法来近似生物测定具有挑战性，而将计算值聚合为单一分数则更加困难，导致对试错法的潜在依赖。我们提出了一种仅依赖实验数据的自动化奖励配置新方法，减轻了药物发现项目中手动调整奖励的挑战。我们的方法通过在多目标空间上基于 Pareto 优势对实验数据构建排序来实现这一点，然后训练神经网络以近似奖励函数，使得由预测奖励确定的排序与由 Pareto 优势关系确定的排序相关联。我们使用两个案例研究验证了我们的方法。在第一个研究中，我们通过交替更新奖励函数和由该函数引导的生成运行来模拟设计-制造-测试-分析（DMTA）周期。我们表明，学习到的函数随时间适应，以产生在文献中采用的评估函数上得分很高的化合物。在第二个研究中，我们将我们的算法应用于来自四个真实药物发现项目的历史数据。我们表明，我们的算法产生的奖励函数优于人工定义函数的预测准确度，在与编码该项目目标药物特性的真实评估函数的对比中，Spearman 相关系数提高了多达 0.4。我们的方法为 GMD 提供了一种高效的数据驱动方式来配置奖励函数，并为未来研究药物发现自动化的变革性方法提供了强有力的基线。
引用
@article{arxiv.2312.09865,
title = {Automating reward function configuration for drug design},
author = {Marius Urbonas and Temitope Ajileye and Paul Gainer and Douglas Pires},
journal= {arXiv preprint arXiv:2312.09865},
year = {2023}
}