面向可合成药物设计的量子启发强化学习
机器学习
2026-05-07 v2 生物大分子
摘要
可合成分子设计（也称为可合成分子优化）是药物发现中的一个基本问题，涉及设计新颖的分子结构，以根据药物相关的预言函数（即目标）改善其性质，同时确保合成可行性。然而，现有方法大多基于随机搜索。为了解决这个问题，本文引入了一种新方法，使用带有量子启发模拟退火策略神经网络的强化学习方法，智能地导航广阔的离散化学结构空间。具体来说，我们采用确定性REINFORCE算法，使用策略神经网络输出转移概率来引导状态转移，并在每次迭代中使用基于遗传算法的局部搜索将解精炼到局部最优。我们的方法在10K查询预算的实用分子优化（PMO）基准框架下进行了评估。我们通过将我们的方法与最先进的基于遗传算法的方法进行比较，进一步展示了其具有竞争力的性能。
引用
@article{arxiv.2409.09183,
title = {Quantum-inspired Reinforcement Learning for Synthesizable Drug Design},
author = {Dannong Wang and Jintai Chen and Yingzhou Lu and Minjie Shen and Lulu Chen and Zhiding Liang and Tianfan Fu and Xiao-Yang Liu},
journal= {arXiv preprint arXiv:2409.09183},
year = {2026}
}