基于脚手架条件的偏好三元组用于可控分子优化
机器学习
2026-04-15 v1 人工智能
摘要
分子性质优化是药物发现中的核心问题，但许多深度学习方法依赖黑箱评分，难以控制脚手架保留，常产生不稳定或生物学上不合理的编辑。虽然大语言模型（LLM）在分子生成方面前景光明，但优化受限于缺乏基于化学的偏好监督和原则性的数据 curated。我们提出 **基于脚手架条件的偏好三元组（SCPT）**，通过脚手架对齐和化学驱动的过滤器构建相似性受约束的三元组 ，以保证有效性、可合成性和有意义的性质提升。利用这些偏好，我们对预训练的分子 LLM 进行条件化编辑，对齐，实现保留脚手架的性质提升编辑。在单目标和多目标基准测试中，SCPT 显著提高了优化成功率和性质提升，同时保持更高的脚手架相似性。与代表性非 LLM 分子优化方法相比，SCPT 训练的 LLM 更适合脚手架约束和多目标优化。此外，基于单属性和双属性监督训练的模型能够有效推广到三属性任务，表明在有限的更高阶监督下具有良好的外推泛化能力。SCPT 还提供了可控的数据构建调节器，产生可预测的相似性-收益前沿，使其能够系统性地适应多样化的优化场景。
引用
@article{arxiv.2604.12350,
title = {Scaffold-Conditioned Preference Triplets for Controllable Molecular Optimization with Large Language Models},
author = {Yi Xiong and Liang Xiong and Xiaohong Ji and Sen Yang and Zhifeng Gao and Huaimin Wang and Kele Xu},
journal= {arXiv preprint arXiv:2604.12350},
year = {2026}
}