MF-LAL：基于多保真潜在空间主动学习的药物化合物生成
机器学习
2025-06-11 v3 定量方法
摘要
当前用于药物发现的生成模型主要依赖分子对接作为导向活性化合物生成的 oracle，但此类模型在实际应用中往往不够实用，因为即使化合物的对接分数很高，也不一定在实际实验中表现出活性。更精确的活性预测方法如基于分子动力学的结合自由能计算虽然更准确，但计算成本太高，难以用于生成模型。为此，我们提出一种多保真潜在空间主动学习 (Multi-Fidelity Latent space Active Learning, MF-LAL)，一种集成不同成本-精度权衡的 oracle 的生成建模框架。通过主动学习，我们为每个 oracle 训练一个代理模型，并利用这些代理模型引导生成高预测活性的化合物。不同于以往方法分别学习代理模型和生成模型，MF-LAL 将生成模型和多保真代理模型融合为单一框架，从而实现更精确的活性预测和更高质量的样本。我们在两种疾病相关蛋白上进行实验，表明 MF-LAL 生成的化合物在平均结合自由能分数上优于其他单保真和多保真方法（约提升 50%）。代码已公开于 https://github.com/Rose-STL-Lab/MF-LAL。
引用
@article{arxiv.2410.11226,
title = {MF-LAL: Drug Compound Generation Using Multi-Fidelity Latent Space Active Learning},
author = {Peter Eckmann and Dongxia Wu and Germano Heinzelmann and Michael K. Gilson and Rose Yu},
journal= {arXiv preprint arXiv:2410.11226},
year = {2025}
}
备注
ICML 2025. 9 pages, 5 figures. arXiv admin note: text overlap with arXiv:2402.10387