基于深度强化学习在可合成可及化学空间中进行的分子设计
化学物理
2020-12-17 v2 机器学习
机器学习
摘要
生成式药物设计的基本目标是提出满足预定义活性、选择性和药代动力学标准的优化分子。尽管近期取得了进展，我们认为现有生成方法在优化过程中有利地偏移分子性质分布的能力有限。我们转而提出一种用于分子设计的新型强化学习框架，其中智能体学习直接在可合成可及的类药分子空间中优化。这通过在我们马尔可夫决策过程中的转移定义为化学反应而成为可能，并使我们能够利用合成路线作为一种归纳偏置。我们验证了该方法，证明其在药理学相关目标的优化上优于现有的 state-of-the-art 方法，而多目标优化任务的结果表明其对现实药物设计问题具有更高的可扩展性。
引用
@article{arxiv.2004.14308,
title = {Molecular Design in Synthetically Accessible Chemical Space via Deep Reinforcement Learning},
author = {Julien Horwood and Emmanuel Noutahi},
journal= {arXiv preprint arXiv:2004.14308},
year = {2020}
}