探戈需要两人跳：在生成分子设计中直接优化受约束的可合成性
生物大分子
2024-10-16 v1 机器学习
摘要
受约束的可合成性是生成分子设计中一个尚未解决的挑战。特别是，设计满足多参数优化目标的分子，同时要确保其可合成性，并在合成中强制使用特定的商业构建模块。这对于分子再利用、可持续性和效率具有实际重要性。在这项工作中，我们提出了一种名为TANimoto Group Overlap (TANGO)的新型奖励函数，它利用化学原理将稀疏奖励函数转化为密集且可学习的奖励函数——这对于强化学习至关重要。TANGO可以增强通用分子生成模型，使其能够直接优化受约束的可合成性，同时通过强化学习优化与药物发现相关的其他性质。我们的框架是通用的，能够处理起始原料、中间体和发散性合成约束。与该领域大多数现有工作相反，我们表明激励一个通用（没有任何归纳偏置）模型是应对具有挑战性的优化场景的有效方法。我们通过展示训练后的模型明确学习了一个期望的分布来证明这一点。我们的框架是第一个处理受约束可合成性的生成方法。
引用
@article{arxiv.2410.11527,
title = {It Takes Two to Tango: Directly Optimizing for Constrained Synthesizability in Generative Molecular Design},
author = {Jeff Guo and Philippe Schwaller},
journal= {arXiv preprint arXiv:2410.11527},
year = {2024}
}