ReACT-Drug：反应模板引导的强化学习用于从头药物设计
机器学习
2025-12-25 v1 人工智能
摘要
从头药物设计是现代药物开发的关键组成部分，然而在广阔的化学空间中寻找可合成、高亲和力的候选分子仍然是一个重大挑战。强化学习（RL）通过实现多目标优化和探索新颖化学空间来增强这一过程——这是传统监督学习方法所缺乏的能力。在这项工作中，我们介绍了 ReACT-Drug，一个基于强化学习的完全集成、靶点无关的分子设计框架。与需要针对特定靶点微调的模型不同，ReACT-Drug 采用通用方法，利用 ESM-2 蛋白质嵌入从知识库（如蛋白质数据库 PDB）中为给定靶点识别相似蛋白质。随后，与这些蛋白质对应的已知药物配体被分解，以初始化基于片段的搜索空间，使智能体偏向于生物学相关的子空间。对于每个这样的片段，该流程采用近端策略优化（PPO）智能体，通过一个由化学上有效的、基于反应模板的转换构成的动态动作空间来引导 ChemBERTa 编码的分子。这导致生成了具有竞争性结合亲和力和高合成可及性的从头药物候选分子，同时根据 MOSES 基准测试确保了 100% 的化学有效性和新颖性。该架构凸显了整合结构生物学、深度表征学习和化学合成规则以自动化和加速理性药物设计的潜力。数据集和代码可在 https://github.com/YadunandanRaman/ReACT-Drug/ 获取。
引用
@article{arxiv.2512.20958,
title = {ReACT-Drug: Reaction-Template Guided Reinforcement Learning for de novo Drug Design},
author = {R Yadunandan and Nimisha Ghosh},
journal= {arXiv preprint arXiv:2512.20958},
year = {2025}
}