基于强化学习引导的组合化学发现具有极端性质的材料
生物大分子
2024-05-08 v2 机器学习
摘要
大多数材料发现的目标是发现优于当前已知材料的物质。从根本上说，这接近于外推，而外推是大多数学习数据概率分布的机器学习模型的弱点。在此，我们开发了强化学习引导的组合化学方法，这是一种基于规则的分子设计器，由训练得到的策略驱动，用于选择后续分子片段以获得目标分子。由于我们的模型有潜力生成可由分子片段组合得到的所有可能分子结构，因此可以发现具有优越性质的未知分子。我们从理论和经验上证明，与概率分布学习模型相比，我们的模型更适合发现更优的化合物。在以发现命中七种极端目标性质的分子为目标的实验中，我们的模型在100,000次试验中发现了全部命中目标分子中的1,315个以及命中五种目标分子中的7,629个，而概率分布学习模型则失败了。此外，已确认在分子片段结合规则下生成的每个分子均具有100%的化学有效性。为说明在实际问题中的性能，我们还展示了我们的模型在两个实际应用上的良好表现：发现蛋白质对接分子与HIV抑制剂。
引用
@article{arxiv.2303.11833,
title = {Materials Discovery with Extreme Properties via Reinforcement Learning-Guided Combinatorial Chemistry},
author = {Hyunseung Kim and Haeyeon Choi and Dongju Kang and Won Bo Lee and Jonggeol Na},
journal= {arXiv preprint arXiv:2303.11833},
year = {2024}
}
备注
18 pages, 8 figures