基于自适应采样条件化的鲁棒设计方法

我们提出了一种用于设计问题的新方法，其目标是最大化或指定一个或多个感兴趣属性的取值。例如，在蛋白质设计中，可能希望找到使荧光最大化的蛋白质序列。我们假设可以访问一个或多个（可能是黑箱的）随机“预言”预测函数，每个函数将输入（如蛋白质序列）设计空间映射到感兴趣属性（如蛋白质荧光）上的分布。乍看之下，该问题可框定为针对输入优化预言模型。然而，许多最先进的预测模型（如神经网络）已知存在缺陷，尤其是对于远离训练分布的数据。因此，我们需要用关于什么构成“真实”输入的先验知识（如稳定折叠的蛋白质）来调节对预言模型输入的优化。在此，我们提出一种解决该问题的新方法——基于自适应采样的条件化（Conditioning by Adaptive Sampling），与其他近期发表的方法相比，它在蛋白质荧光问题上取得了最先进的结果。形式上，我们的方法通过使用基于模型的自适应采样来估计给定期望属性下输入序列的条件分布，从而获得成功。