面向数据高效分子生成与编辑的层次结构-属性对齐
机器学习
2025-11-12 v1 人工智能
摘要
属性约束的分子生成与编辑是AI驱动药物发现中的关键任务，但受制于两个因素：(i)捕捉分子结构与多个属性之间复杂关系仍具有挑战性，(ii)分子属性的覆盖范围狭窄且标注不完整，削弱了基于属性的模型效果。为此，我们提出HSPAG(层次结构-属性对齐框架)，采用数据高效方法。将SMILES和分子属性视为互补模态，模型在原子、次结构和整个分子层面学习它们之间的关系。此外，我们通过骨架聚类选择代表性样本，通过辅助变分自编码器(VAE)挑选困难样本，大幅减少所需的预训练数据。此外，我们引入属性相关性掩码机制和多样化扰动策略，以增强稀疏标注下的生成质量。实验表明，HSPAG捕捉到了细粒度的结构-属性关系，并支持在多个属性约束下进行可控生成。两个真实世界案例进一步验证了HSPAG的编辑能力。
引用
@article{arxiv.2511.08080,
title = {Hierarchical Structure-Property Alignment for Data-Efficient Molecular Generation and Editing},
author = {Ziyu Fan and Zhijian Huang and Yahan Li and Xiaowen Hu and Siyuan Shen and Yunliang Wang and Zeyu Zhong and Shuhong Liu and Shuning Yang and Shangqian Wu and Min Wu and Lei Deng},
journal= {arXiv preprint arXiv:2511.08080},
year = {2025}
}