用于抗体设计的结构化 Q-learning
机器学习
2022-09-15 v2
摘要
组合结构的优化是许多现实世界问题的核心,例如生命科学中遇到的问题。例如,抗体设计中的关键步骤之一是找到蛋白质序列中氨基酸的排列以增强其与病原体的结合。由于极大的搜索空间和非线性目标,抗体的组合优化十分困难。即便是中等规模的抗体设计问题,在蛋白质序列长度为 11 时,我们也面临在 2.05 x 10^14 个结构中搜索。将传统的强化学习算法(如 Q-learning)应用于组合优化会导致较差的性能。我们提出结构化 Q-learning (SQL),它是 Q-learning 的扩展,融入了用于组合优化的结构先验。利用分子对接模拟器,我们证明 SQL 能找到高结合能序列,并在包括 SARS-COV 抗体设计在内的八个具有挑战性的抗体设计任务上优于基线方法。
引用
@article{arxiv.2209.04698,
title = {Structured Q-learning For Antibody Design},
author = {Alexander I. Cowen-Rivers and Philip John Gorinski and Aivar Sootla and Asif Khan and Liu Furui and Jun Wang and Jan Peters and Haitham Bou Ammar},
journal= {arXiv preprint arXiv:2209.04698},
year = {2022}
}