置信区间是关键：基于保守预测提升渗透肽的生成式设计
人工智能
2026-05-08 v1
摘要
联合强化学习(RL)的生成模型，如 REINVENT 和 PepINVENT，已成为 de novo 分子设计的强大框架。在构思过程中，这些生成框架利用多种预测模型作为优化目标的一部分。然而，预测模型的实用性受限于其适用范围。当 RL 用于带预测模型的化学空间探索时，可能会建议位于预测适用范围之外的分子，导致预测可靠性下降，可能引导设计走向高奖励但也高不确定性的化学空间。这一现象在循环肽类中尤为突出：循环肽因其可调性和大交互表面展现出良好的治疗前景，但相较于小分子研究不足。尽管被动肠膜渗透在循环肽中引起关注，但识别最佳可渗透设计仍具挑战性且至关重要以针对细胞内靶点。我们提出一个 RL 引导的生成框架，用于基于不确定性感知渗透预测器作为评分组件设计可渗透循环肽。为解决预测不确定性问题（尤其是受新型化学影响），我们集成保守预测(Conformal Prediction, CP)作为不确定性量化方法。CP 根据用户定义的置信水平对设计进行校准评估。我们展示，利用 CP 信息化的预测奖励生成的肽类，可提高肽优化过程的可靠性和效率。同时，这种方法抑制了对预测适用范围之外的探索。该方法首次将预测不确定性与 RL 引导探索相结合，展示了生成式建模与保守预测的融合可能性。
引用
@article{arxiv.2605.05770,
title = {Confidence is the key: how conformal prediction enhances the generative design of permeable peptides},
author = {Laura van Weesep and Sunay Chankeshwara and Leonardo De Maria and Florian David and Ola Engkvist and Gökçe Geylan},
journal= {arXiv preprint arXiv:2605.05770},
year = {2026}
}