利用低成本奖励预训练生成式流网络以生成分子图
机器学习
2025-06-13 v4
摘要
生成式流网络最近已成为一个合适的框架，通过从被视为非归一化分布的奖励中学习，来生成多样且高质量的分子结构。该框架中先前的工作通常通过使用预定义的分子片段作为构建块来限制探索，从而限制了可访问的化学空间。在本工作中，我们引入了原子生成式流网络，这是一种基础生成模型，利用单个原子作为构建块来更全面地探索类药化学空间。我们提出了一种使用类药分子数据集的无监督预训练方法，该方法向 A-GFNs 教授低成本但信息丰富的分子描述符，如类药性、拓扑极性表面积和合成可及性评分。这些性质作为代理奖励，引导 A-GFNs 走向表现出理想药理学性质的化学空间区域。我们进一步实现了目标条件的微调过程，使 A-GFNs 适应以优化特定目标性质。在本工作中，我们在 ZINC 数据集的子集上预训练 A-GFN，并通过采用稳健的评估指标，证明了在广泛的药物设计任务中，与其他相关基线方法相比我们方法的有效性。代码可在 https://github.com/diamondspark/AGFN 获取。
引用
@article{arxiv.2503.06337,
title = {Pretraining Generative Flow Networks with Inexpensive Rewards for Molecular Graph Generation},
author = {Mohit Pandey and Gopeshh Subbaraj and Artem Cherkasov and Martin Ester and Emmanuel Bengio},
journal= {arXiv preprint arXiv:2503.06337},
year = {2025}
}
备注
arXiv admin note: text overlap with arXiv:2409.09702