InversionGNN：用于多属性分子优化的双路径网络
机器学习
2025-03-04 v1
摘要
在药物发现中，探索化学空间以找到同时满足多种属性的新型分子至关重要。然而，现有方法往往因化学属性的冲突或相关性而在多种属性的权衡上遇到困难。为了解决这一问题，我们提出了InversionGNN框架，这是一个高效且样本高效的双路径图神经网络（GNN），用于多目标药物发现。在InversionGNN的直接预测路径中，我们训练模型进行多属性预测，以获取功能基团最优组合的知识。然后学到的化学知识帮助逆生成路径生成具有所需属性的分子。为了在逆生成路径中解码多种属性的复杂知识，我们提出了一种基于梯度的帕累托搜索方法，以平衡冲突属性并生成帕累托最优分子。此外，InversionGNN能够在离散化学空间中近似搜索完整的帕累托前沿。全面的实验评估表明，InversionGNN在包括药物发现在内的各种离散多目标设置中既有效又样本高效。
引用
@article{arxiv.2503.01488,
title = {InversionGNN: A Dual Path Network for Multi-Property Molecular Optimization},
author = {Yifan Niu and Ziqi Gao and Tingyang Xu and Yang Liu and Yatao Bian and Yu Rong and Junzhou Huang and Jia Li},
journal= {arXiv preprint arXiv:2503.01488},
year = {2025}
}
备注
ICLR 2025