JackCrum的博客

基于机器学习的生成模型可以从头开始产生具有理想物理化学和药理特性的新分子。已经提出了许多优秀的生成模型，但对大多数现有模型来说，分子生成任务中的多目标优化仍然相当具有挑战性。在这里，我们提出了多约束分子生成（MCMG）方法，该方法可以通过知识蒸馏将条件变压器和强化学习算法相结合来满足多个约束。使用条件变压器通过高效学习并将结构-属性关系纳入有偏见的生成过程来训练分子生成模型。然后使用知识蒸馏模型来降低模型的复杂性，以便通过强化学习有效地对其进行微调，并增强生成分子的结构多样性。

分子设计和合成规划是分子发现过程中的两个关键步骤，我们建议将其作为条件合成途径生成的单一共同任务来制定。我们报告了一种生成合成途径的摊销方法，作为以目标分子嵌入为条件的马尔可夫决策过程。这种方法使我们能够以自下而上的方式进行合成规划，并通过从优化的条件代码解码来设计可合成的分子，这表明同时解决设计和合成问题的潜力。该方法利用神经网络，根据反应模板的离散动作空间中编码的反应性规则，一次一个反应步骤，概率地模拟合成树。我们在可购买的化合物池和专家策划的模板列表中生成的数十万条人工路径上训练这些网络。