MolEditRL：通过离散扩散和强化学习实现结构保持的分子编辑
机器学习
2025-05-27 v1 定量方法
摘要
分子编辑旨在修改给定分子以优化所需化学属性，同时保持结构相似性。然而，当前方法通常依赖基于字符串或连续的表示，无法充分捕捉分子的离散、图结构本质，导致结构保真度有限且可控性差。本文提出MolEditRL，一种显式整合结构约束与精确属性优化的分子编辑框架。具体而言，MolEditRL包含两个阶段：（1）预训练的离散图扩散模型，以源结构和自然语言指令为条件重建目标分子；（2）编辑感知的强化学习微调阶段，在图约束下显式优化编辑决策，以进一步提高属性对齐和结构保持。为进行全面评估，我们构建了MolEdit-Instruct，目前规模最大、属性最丰富的分子编辑数据集，包含300万个跨越单属性和多属性任务的多样化示例，涵盖10种化学属性。实验结果表明，MolEditRL在属性优化准确性和结构保真度方面均显著优于最先进的方法，在编辑成功率上提升74%，而仅使用98%的参数。
引用
@article{arxiv.2505.20131,
title = {MolEditRL: Structure-Preserving Molecular Editing via Discrete Diffusion and Reinforcement Learning},
author = {Yuanxin Zhuang and Dazhong Shen and Ying Sun},
journal= {arXiv preprint arXiv:2505.20131},
year = {2025}
}