GenMol: 具有离散扩散的药物发现通才
机器学习
2025-07-24 v3
摘要
药物发现是一个复杂的过程，涉及多个阶段和任务。然而，现有的分子生成模型只能处理其中一些任务。我们提出了通用分子生成模型(GenMol)，一个仅使用单个离散扩散模型来处理多样化药物发现场景的通用框架。GenMol通过非自回归双向并行解码生成基于顺序附着的片段嵌入(SAFE)序列，从而允许利用不依赖于特定令牌顺序的分子上下文，同时具有更好的采样效率。GenMol使用片段作为分子的基本构建块，并引入片段重掩码策略，通过重新生成掩码片段来优化分子，从而实现对化学空间的有效探索。我们进一步提出了分子上下文引导(MCG)，一种为GenMol的掩码离散扩散定制的引导方法。GenMol在从头生成和片段约束生成方面显著优于之前的基于GPT的模型，并在目标导向的命中生成和先导优化中实现了最先进的性能。这些结果表明GenMol可以处理广泛的药物发现任务，为分子设计提供统一且通用的方法。我们的代码可在https://github.com/NVIDIA-Digital-Bio/genmol获取。
引用
@article{arxiv.2501.06158,
title = {GenMol: A Drug Discovery Generalist with Discrete Diffusion},
author = {Seul Lee and Karsten Kreis and Srimukh Prasad Veccham and Meng Liu and Danny Reidenbach and Yuxing Peng and Saee Paliwal and Weili Nie and Arash Vahdat},
journal= {arXiv preprint arXiv:2501.06158},
year = {2025}
}
备注
ICML 2025