通过深度强化学习优化分子
机器学习
2020-06-22 v3 人工智能
机器学习
摘要
我们提出一个称为分子深度 网络（MolDQN）的框架，通过结合化学领域知识与最先进的强化学习技术（双重 -学习与时序差分随机值函数）来进行分子优化。我们直接定义对分子的修饰，从而确保 100% 化学有效性。此外，我们不在任何数据集上预训练，以避免该集合选择可能带来的偏差。受药物化学先导优化中所遇问题启发，我们以多目标强化学习扩展模型，在保持与原始分子相似性的同时最大化类药性。我们进一步展示了通过化学空间实现分子优化的路径，以理解模型如何工作。
引用
@article{arxiv.1810.08678,
title = {Optimization of Molecules via Deep Reinforcement Learning},
author = {Zhenpeng Zhou and Steven Kearnes and Li Li and Richard N. Zare and Patrick Riley},
journal= {arXiv preprint arXiv:1810.08678},
year = {2020}
}