检索增强的基石模型用于匹配分子对变换以复现药物化学直觉
机器学习
2026-02-19 v1
摘要
匹配分子对（MMP）捕捉到药物化学家常用于设计类似物的局部化学编辑，但现有的机器学习方法要么在整个分子层面上 operate with limited edit controllability，要么从受限的设置和小型模型中学习 MMP 风格的编辑。我们提出了一种变量到变量的类似物生成公式，训练了一个在大规模 MMP 变换（MMPT）上进行的人基石模型，以生成以输入变量为条件的多样化变量。为实现实际控制，我们开发了提示机制，允许用户在生成过程中指定偏好的变换模式。我们进一步引入了 MMPT-RAG（检索增强框架），该框架使用外部参考类似物作为上下文指导来引导生成并从项目特定系列中泛化。实验在通用化学语料和专利特定数据集上表明，方法在多样性、新颖性和可控性方面均取得改进，并显示在实际发现场景中，方法能够恢复真实的类似物结构。
引用
@article{arxiv.2602.16684,
title = {Retrieval-Augmented Foundation Models for Matched Molecular Pair Transformations to Recapitulate Medicinal Chemistry Intuition},
author = {Bo Pan and Peter Zhiping Zhang and Hao-Wei Pang and Alex Zhu and Xiang Yu and Liying Zhang and Liang Zhao},
journal= {arXiv preprint arXiv:2602.16684},
year = {2026}
}