生成分子设计模型的多目标潜空间优化
机器学习
2024-08-13 v3 生物大分子
摘要
基于生成模型（如变分自编码器 VAEs）的分子设计，因其在探索高维分子空间以识别具有所需性质的分子的效率，近年来日益流行。虽然初始模型的功效很大程度上取决于训练数据，但模型在提出具有增强性质的新颖分子时的采样效率可以通过潜空间优化进一步提高。在本文中，我们提出了一种多目标潜空间优化（LSO）方法，可以显著增强生成分子设计（GMD）的性能。所提出的方法采用迭代加权重训练方法，其中训练数据中分子的各自权重由其帕累托效率决定。我们证明，我们的多目标 GMD LSO 方法可以显著提高 GMD 在联合优化多个分子性质方面的性能。
引用
@article{arxiv.2203.00526,
title = {Multi-Objective Latent Space Optimization of Generative Molecular Design Models},
author = {A N M Nafiz Abeer and Nathan Urban and M Ryan Weil and Francis J. Alexander and Byung-Jun Yoon},
journal= {arXiv preprint arXiv:2203.00526},
year = {2024}
}
备注
23 pages, 9 figures