通过多目标强化学习桥接表型-靶点间隙：用于分子生成的 SmilesGEN 方法
机器学习
2026-04-20 v2 人工智能
摘要
能够诱导理想表型变化的仿药分子 de novo 生成正受到日益关注的注意。然而，先前方法主要依赖表达轮廓来指导分子生成，却忽略了分子对细胞背景的扰动效应。为克服这一局限，我们提出SmilesGEN，一种基于变分自编码器（VAE）架构的生成模型，用于生成具有潜在疗效的分子。SmilesGEN将预训练的药物VAE（SmilesNet）与表达轮廓VAE（ProfileNet）集成，联合建模药物扰动与转录反应在共同潜在空间中的相互作用。具体而言，ProfileNet在消除潜在空间中药物引起的扰动后重建未治疗前的表达轮廓，而SmilesNet则根据期望的表达轮廓生成药物样分子。我们的实验表明，SmilesGEN在生成更高有效性、唯一性和新颖性的分子，以及与已知靶标蛋白的Tanimoto相似性方面均优于当前最先进的模型。此外，我们评估了SmilesGEN用于基于骨架的分子优化和治疗剂生成，确认其在生成更接近已获批准药物的分子方面表现优异。SmilesGEN建立了一个利用基因签名生成具备诱导理想细胞表型变化潜力的药物样分子的稳健框架。源代码和数据集已公开：https://github.com/hliulab/SmilesGEN。
引用
@article{arxiv.2509.21010,
title = {Bridging the phenotype-target gap for molecular generation via multi-objective reinforcement learning},
author = {Haotian Guo and Hui Liu},
journal= {arXiv preprint arXiv:2509.21010},
year = {2026}
}