面向抗菌肽设计的最低维半监督潜在贝叶斯优化最佳实践
机器学习
2026-04-06 v3 计算物理
摘要
生成式深度学习技术在最近年来已展现出处理生物分子设计问题的强大能力。尽管如此，它们仍存在解释性不足以及对相关搜索空间进行严格量化的问题，这些都是实现其在超越高效设计的科学探究中发挥全部潜力所必需的。抗菌肽正是其中一类尤其有趣的治疗性分子，后者是治疗细菌感染的有前景的疗法。由于可能的序列数量庞大且实验信息相对有限，发现和设计此类肽类具有较大挑战性。本文对潜在贝叶斯优化用于通过肽序列空间进行搜索进行了理论探讨，特别是针对抗菌肽。我们研究了三个问题：(1) 在潜在设计空间的维度缩减版本中进行搜索是否可促进优化；(2) 将潜在空间组织为不同数量的更相关与更不相关信息的形式，是否可提高到达最优肽设计的效率；(3) 这些空间的可解释性如何。我们发现，使用潜在空间的维度缩减版本更具可解释性且具有优势，而使用更不相关但更易计算的物理化学性质有助于潜在空间的组织，在某些情境下，而使用更相关但稀疏的性质与潜在贝叶斯目标函数相关联则在其他情境下更有优势。本工作为以生物物理学为动机的肽类设计程序奠定了关键性基础，特别是针对抗菌肽。
引用
@article{arxiv.2510.17569,
title = {Towards best practices in low-dimensional semi-supervised latent Bayesian optimization for the design of antimicrobial peptides},
author = {Jyler Menard and R. A. Mansbach},
journal= {arXiv preprint arXiv:2510.17569},
year = {2026}
}
备注
(Post peer review version) v3: 22 pages, 10 figures. New/clearer figures. Small title and abstract change. Edits to results to make points clearer, but no drastic changes to findings. Inclusion of preliminary comparisons to deep kernel learning