基于低成本奖励的GFlowNet预训练
机器学习
2024-09-17 v1 人工智能
生物大分子
摘要
生成式流网络（GFlowNets）是一类生成模型，最近涌现为通过学习非归一化奖励分布来生成多样且高质量分子结构的合适框架。此方向的先前工作通常通过使用预定义的分子片段作为构建块来限制探索，从而限制可访问的化学空间。本文引入原子GFlowNet（A-GFNs），一种基础生成模型，利用单个原子作为构建块，更全面地探索药物样的化学空间。我们提出了一种无监督预训练方法，使用离线药物样分子数据集进行预训练，通过对不昂贵且信息丰富的分子描述符（如药物样性、拓扑极性表面积和合成可及性评分）进行条件化来实现这一点。这些属性作为代理奖励，引导A-GFNs向表现出有希望的药理学性质的化学空间区域。我们进一步通过实施以目标条件化的微调过程来适应A-GFNs，以针对特定目标性质进行优化。在本文中，我们在ZINC15离线数据集上预训练A-GFN，并采用鲁棒的评估指标，显示我们方法在药物设计中与其他相关基线方法的有效性。
引用
@article{arxiv.2409.09702,
title = {GFlowNet Pretraining with Inexpensive Rewards},
author = {Mohit Pandey and Gopeshh Subbaraj and Emmanuel Bengio},
journal= {arXiv preprint arXiv:2409.09702},
year = {2024}
}