基于强化学习引导进化式分子设计：针对突变选择
机器学习
2025-10-02 v1
摘要
化学空间的高效探索仍是核心挑战，许多生成模型仍产生不可靠或不可合成的化合物。为此，我们提出了 EvoMol-RL，这是 EvoMol 进化算法的一个重要扩展，集成了强化学习以基于局部结构上下文引导分子突变。通过利用扩展连接指纹（ECFPs），EvoMol-RL 学习基于上下文的突变策略，以优先选择具有化学可行性的转化。该方法显著提高了有效且真实分子的生成，减少了结构瑕疵的频率，增强了优化性能。结果表明，EvoMol-RL 在分子预筛选真实性方面 consistently 优于其基线。这些结果强调了将强化学习与分子指纹结合用于生成化学相关分子结构的有效性。
引用
@article{arxiv.2510.00802,
title = {Guiding Evolutionary Molecular Design: Adding Reinforcement Learning for Mutation Selection},
author = {Gaelle Milon-Harnois and Chaimaa Touhami and Nicolas Gutowski and Benoit Da Mota and Thomas Cauchy},
journal= {arXiv preprint arXiv:2510.00802},
year = {2025}
}
备注
8 pages, 3 figures, Accepted for publication in the proceedings of ICTAI 2025