通过不确定性引导的变分自编码器微调增强生成分子设计
机器学习
2024-06-03 v1 生物大分子
定量方法
机器学习
摘要
近年来，深度生成模型已成功应用于各种分子设计任务，特别是在生命和材料科学中。预训练的生成分子设计（GMD）模型面临的一个关键挑战是如何微调它们，使其更适合于旨在优化特定分子性质的下游设计任务。然而，为每个新设计任务从头重新设计和训练一个现有的有效生成模型是不切实际的。此外，典型下游任务（如性质预测）的黑箱性质使得以任务特定方式优化生成模型变得不简单。在这项工作中，我们提出了一种新颖的方法，通过在主动学习环境中通过性能反馈对预训练的基于变分自编码器（VAE）的 GMD 模型进行模型不确定性引导的微调。主要思想是量化生成模型中的模型不确定性，通过在高维 VAE 参数的低维活跃子空间中工作来实现高效，该子空间解释了模型输出的大部分变异性。包含模型不确定性通过解码器多样性扩展了可行分子的空间。然后，我们通过活跃子空间的低维性使得黑箱优化变得可行，从而探索得到的模型不确定性类。这使我们能够识别并利用一组多样化的高性能模型来生成增强的分子。在六个目标分子性质上的实证结果，使用多个基于 VAE 的生成模型，表明我们的不确定性引导微调方法始终优于原始预训练模型。
引用
@article{arxiv.2405.20573,
title = {Enhancing Generative Molecular Design via Uncertainty-guided Fine-tuning of Variational Autoencoders},
author = {A N M Nafiz Abeer and Sanket Jantre and Nathan M Urban and Byung-Jun Yoon},
journal= {arXiv preprint arXiv:2405.20573},
year = {2024}
}