面向分子设计的可扩展批量贝叶斯优化的预训练联合预测
机器学习
2025-11-17 v2
摘要
批量合成和测试分子设计是药物开发的关键瓶颈。人们非常关注利用生物分子基础模型作为代理模型来加速这一过程。本文展示了如何获得用于批量贝叶斯优化（Batch BO）的binding affinity可扩展概率代理。这是一种需要对设计进行并行获取函数以进行加权决策，并能够快速从联合预测密度中进行抽样的能力。通过Epistemic Neural Networks（ENN）框架，我们在大型结构信息模型所获得的表示之上获得了binding affinity的可扩展联合预测分布。本文的关键在于研究先验网络在ENNs中的重要性以及如何在合成数据上预训练它们以提高Batch BO中的下游性能。通过在半合成基准测试中以最少的迭代次数（最高可达5倍）复现已知强效的EGFR抑制剂，以及从真实世界的小分子库中获得强效抑制剂（最高可达10倍）的迭代次数，展示了其在大规模药物发现应用中的实用性。
引用
@article{arxiv.2511.10590,
title = {Pretrained Joint Predictions for Scalable Batch Bayesian Optimization of Molecular Designs},
author = {Miles Wang-Henderson and Benjamin Kaufman and Edward Williams and Ryan Pederson and Matteo Rossi and Owen Howell and Carl Underkoffler and Narbe Mardirossian and John Parkhill},
journal= {arXiv preprint arXiv:2511.10590},
year = {2025}
}