基于潜在空间强化学习微调的小分子生成模型
生物大分子
2024-07-22 v1 计算与语言
机器学习
摘要
深度学习方法用于分子生成的一个具体挑战是同时生成语法正确且化学上合理的分子字符串表示。在解决这一问题的同时，我们提出了一种新型用于小分子的生成式潜在变量变换器模型，该模型利用一种称为 SAFE 的最近提出的分子字符串表示方法。我们对 SAFE 进行了修改，以减少训练期间生成的无效碎片分子数量，并据此训练我们的模型。我们的实验表明，该模型能够以 > 90% 的有效性和 < 1% 的碎片化率从潜在空间生成新颖的分子。通过使用强化学习微调模型以提高分子对接性能，我们显著增加了针对五个特定蛋白靶点的 hit 候选数量，其中一些靶点几乎翻倍。此外，我们的前 5% 平均对接分数与当前最先进（SOTA）相当，在其中五个靶点中的三个方面略微超越 SOTA。
引用
@article{arxiv.2407.13780,
title = {Generative Model for Small Molecules with Latent Space RL Fine-Tuning to Protein Targets},
author = {Ulrich A. Mbou Sob and Qiulin Li and Miguel Arbesú and Oliver Bent and Andries P. Smit and Arnu Pretorius},
journal= {arXiv preprint arXiv:2407.13780},
year = {2024}
}
备注
12 pages, 6 figures, Proceedings of the ICML 2024 Workshop on Accessible and Effi- cient Foundation Models for Biological Discovery, Vienna, Austria. 2024