基于潜在提示变换器的分子设计
机器学习
2024-11-01 v2 生物大分子
摘要
本文通过将分子设计构建为条件生成建模任务来探索这一具有挑战性的问题，其中目标生物性质或期望的化学约束作为条件变量。我们提出了潜在提示变换器（LPT），一种新颖的生成模型，包含三个组件：（1）一个潜在向量，其可学习的先验分布由高斯白噪声的神经变换建模；（2）一个基于因果变换器的分子生成模型，使用潜在向量作为提示；（3）一个性质预测模型，利用潜在提示预测分子的目标性质和/或约束值。LPT可以通过分子-性质对的最大似然估计进行学习。在性质优化过程中，通过后验采样从目标性质和约束中推断出潜在提示，然后用于指导自回归分子生成。在对现有分子及其性质进行初始训练后，我们采用在线学习算法逐步将模型分布向支持期望目标性质的区域转移。实验表明，LPT不仅在单目标、多目标和结构约束优化任务中有效发现有用分子，而且表现出强大的样本效率。
引用
@article{arxiv.2402.17179,
title = {Molecule Design by Latent Prompt Transformer},
author = {Deqian Kong and Yuhao Huang and Jianwen Xie and Edouardo Honig and Ming Xu and Shuanghong Xue and Pei Lin and Sanping Zhou and Sheng Zhong and Nanning Zheng and Ying Nian Wu},
journal= {arXiv preprint arXiv:2402.17179},
year = {2024}
}