MetaMolGen：用于原子分子设计的神经图案 motif 生成模型
机器学习
2025-05-13 v2 人工智能
摘要
分子生成在药物发现和材料科学中发挥着重要作用，尤其是在数据稀缺的场景中，传统生成模型往往难以实现令人满意的条件泛化。为此，我们提出MetaMolGen，这是一种基于一阶元学习的分子生成器，旨在实现少样本和属性条件分子生成。MetaMolGen通过将图案映射到标准化的潜在空间来标准化图案的分布，并采用轻量级自回归序列模型生成能够忠实反映底层分子结构的SMILES序列。此外，它支持通过集成到生成过程中的可学习属性投影器来实现具有目标属性的分子条件生成。实验结果表明，MetaMolGen 在数据有限的情境下能够持续生成有效且多样的SMILES序列，优于传统基线方法。这突显了其在实际分子设计中快速适应和高效条件生成方面的优势。
引用
@article{arxiv.2504.15587,
title = {MetaMolGen: A Neural Graph Motif Generation Model for De Novo Molecular Design},
author = {Zimo Yan and Jie Zhang and Zheng Xie and Chang Liu and Yizhen Liu and Yiping Song},
journal= {arXiv preprint arXiv:2504.15587},
year = {2025}
}