Mol-AIR：基于自适应内在奖励的分子强化学习用于目标导向分子生成
机器学习
2024-04-01 v1 人工智能
生物大分子
摘要
优化发现具有期望性质的分子结构的技术在基于人工智能的药物发现中至关重要。将深度生成模型与强化学习相结合已成为生成具有特定性质分子的有效策略。尽管有潜力，但这种方法在探索广阔的化学空间和优化特定化学性质方面效率不高。为了克服这些限制，我们提出了Mol-AIR，一个基于强化学习的框架，使用自适应内在奖励进行有效的目标导向分子生成。Mol-AIR通过利用随机蒸馏网络和基于计数的策略，发挥了基于历史和基于学习的内在奖励的优势。在基准测试中，Mol-AIR在无需任何先验知识的情况下，在生成具有期望性质的分子（包括惩罚LogP、QED和塞来昔布相似性）方面表现出优于现有方法的性能。我们相信Mol-AIR代表了药物发现的一个重要进步，为发现新疗法提供了更有效的途径。
引用
@article{arxiv.2403.20109,
title = {Mol-AIR: Molecular Reinforcement Learning with Adaptive Intrinsic Rewards for Goal-directed Molecular Generation},
author = {Jinyeong Park and Jaegyoon Ahn and Jonghwan Choi and Jibum Kim},
journal= {arXiv preprint arXiv:2403.20109},
year = {2024}
}