XMOL：可解释的多属性分子优化
机器学习
2024-09-13 v1
摘要
分子优化是药物发现和材料科学领域的关键挑战，涉及设计具有所需属性的分子。现有方法主要关注单属性优化，为实现多属性优化需要重复运行，既低效又昂贵。此外，这些方法常缺乏透明度，使研究人员难以理解和控制优化过程。为此，本文提出一种新框架——可解释的多属性分子优化（XMOL），以同时优化多个分子属性并融入可解释性。我们的做法基于最先进的几何扩散模型，通过引入谱归一化和增强的分子约束来实现训练稳定。此外，我们整合了解释性和可解释技术贯穿整个优化过程。我们在真实世界的分子数据集（即QM9）上对XMOL进行评估，结果在单属性和多属性优化方面均表现出色，同时提供可解释的结果，为更高效和可靠的分子设计铺平了道路。
引用
@article{arxiv.2409.07786,
title = {XMOL: Explainable Multi-property Optimization of Molecules},
author = {Aye Phyu Phyu Aung and Jay Chaudhary and Ji Wei Yoon and Senthilnath Jayavelu},
journal= {arXiv preprint arXiv:2409.07786},
year = {2024}
}