基于去噪策略优化的口袋感知扩散模型精调
机器学习
2026-05-19 v1 人工智能
摘要
结构驱动的药物设计已因口袋感知 3D 生成模型而得到加速，但大多数方法主要拟合训练分布，可能不足以满足实际药物发现中多属性的需求。最近，越来越多关注针对结构驱动的分子优化 (SBMO)，以实现对多个指定分子属性的精细控制。本文提出 DEPPA，一种新颖的 SBMO 方法，基于去噪扩散策略优化对预训练口袋感知扩散模型进行强化学习微调。DEPPA 可实现对多个属性的优化，包括结合亲和力、药物似然性、可合成性和多样性。我们将预训练口袋感知扩散模型的逆去噪过程建模为多步骤马尔可夫决策过程，其中作为奖励信号的期望属性在最终生成的配体分子上进行评估。DEPPA 在 RL 微调期间包含一种粗略去噪调度器，以实现高效且有效的分子优化。在 CrossDocked2020 基准测试上，实验结果表明 DEPPA 在结合亲和力 (Vina Score -8.5 kcal/mol)、药物似然性和多样性方面优于基线方法，在可合成性方面表现具有竞争力。源代码已公开于 https://github.com/xy9485/DePPA。
引用
@article{arxiv.2605.17693,
title = {Fine-tuning Pocket-Aware Diffusion Models via Denoising Policy Optimization},
author = {Yuan Xue and Daniel Kudenko and Megha Khosla},
journal= {arXiv preprint arXiv:2605.17693},
year = {2026}
}