由分子-基因演化驱动的人类水平分子优化
机器学习
2026-05-12 v1 人工智能
神经与进化计算
化学物理
生物大分子
摘要
de novo 分子生成允许在广阔的化学空间中寻找更具药效性的初始化合物。然而，前导优化仍然是必需的，分子结构优化的过程面临在结构新颖性与药理学属性之间取得平衡的挑战。这项研究引入了深度遗传分子修改算法（DGMM），将结构修改提升到药理学家的水平。算法中使用离散变分自编码器（D-VAE）将分子编码为量化码——分子基因（mol-gene），将深度学习引入遗传算法，以实现灵活的结构优化。分子基因允许发现药理学相似但结构不同的化合物，揭示了药物发现中结构优化的权衡。我们在几个应用场景中展示了 DGMM 的有效性。
关键词
引用
@article{arxiv.2406.12910,
title = {Human-level molecular optimization driven by mol-gene evolution},
author = {Jiebin Fang and Churu Mao and Yuchen Zhu and Xiaoming Chen and Chang-Yu Hsieh and Zhongjun Ma},
journal= {arXiv preprint arXiv:2406.12910},
year = {2026}
}