加强强化学习,用于新的分子设计,应用自我注意机制

科学领域:

• 计算化学是一种计算化学.
• 人工智能在药物发现中的作用
• 分子建模分子建模

背景情况:

• 深度强化学习 (RL) 显示出新药设计的前景,但在有效的化合物评估方面存在困难.
• 当前的RL方法通常使用单个标量值进行复合评估,阻碍了最佳的政策学习.
• 整合自我注意机制可以通过评估原子和功能组的意义来改善生成的分子的评估.

研究的目的:

• 开发一个改进的深度强化学习框架,用于新的药物设计.
• 利用RL内部的自我注意力机制来增强具有所需药理性质的分子的生成.
• 为了比较标准和掩盖语言模型 (MLM) 变压器在优化生成过程中的有效性.

主要方法:

• 一个新的药物设计框架,结合了生成器,转换器编码器和生物亲和预测器.
• 利用变压器的自我注意力权重来单独评估分子标记及其重要性.
• 将标准变压器输出预测与掩盖语言模型 (MLM) 策略进行比较.

主要成果:

• 与最先进的方法相比,MLM变压器策略在优化发电机方面更有效.
• 评估模型成功地确定了负责与目标生物相互作用的关键分子区域.
• 该框架产生了可合成的命中化合物,具有潜在的抑制作用,对基特异性蛋白7 (USP7) 产生抑制作用.

结论:

• 将自我注意机制与RL相结合,为新药设计提供了一种强大的方法.
• 该MLM变压器战略增强了药物发现的生成模型的优化.
• 这种方法不仅能产生有前途的候选药物,还能提供对结构-活性关系的见解.