SynFlowNet：在合成约束下设计多样且新颖的分子
机器学习
2025-04-10 v3 生物大分子
摘要
生成模型在计算机辅助药物设计中的应用日益增多。然而，尽管它们在捕捉分子基序分布方面表现良好，却经常产生合成上不可及的分子。为了解决这一问题，我们引入了SynFlowNet，这是一个GFlowNet模型，其动作空间使用化学反应和可购买的反应物来顺序构建新分子。通过将正向合成作为生成机制的显式约束，我们旨在弥合计算机分子生成与真实世界合成能力之间的差距。我们使用合成可及性评分和独立的逆合成工具来评估我们化合物的可合成性，并通过与基线相比在样本多样性上的显著提升来论证选择GFlowNet的动机。此外，我们发现了反应编码中的挑战，这些挑战可能会使MDP在反向方向上的遍历复杂化。为了解决这一问题，我们引入了多种学习GFlowNet反向策略的策略，从而展示了如何将额外约束整合到GFlowNet MDP框架中。该方法使我们的模型能够成功识别未见分子的合成路径。
引用
@article{arxiv.2405.01155,
title = {SynFlowNet: Design of Diverse and Novel Molecules with Synthesis Constraints},
author = {Miruna Cretu and Charles Harris and Ilia Igashov and Arne Schneuing and Marwin Segler and Bruno Correia and Julien Roy and Emmanuel Bengio and Pietro Liò},
journal= {arXiv preprint arXiv:2405.01155},
year = {2025}
}