通过在线知识增强无条件分子生成 支架的蒸
Huibin Wang1, Zehui Wang1, Minghua Shi1
1Shanghai Frontiers Science Center of Molecule Intelligent Syntheses, School of Computer Science and Technology, East China Normal University, Shanghai 200062, China.
Molecules (Basel, Switzerland)
|March 27, 2025
概括
本研究介绍了无条件分子生成 (OMG) 的在线知识蒸框架. OMG通过提高分子有效性和新性来增强药物发现的深度学习模型,有助于识别可行的候选药物.
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
- 机器学习用于分子生成.
背景情况:
- 深度学习,特别是语言模型,通过生成新型分子结构来加速药物发现.
- 分子支架对于制造化学上可行的和生物学上相关的分子至关重要.
- 直接使用支架可以引入偏见,限制探索新化学空间.
研究的目的:
- 开发一个新的框架,OMG,将支架信息集成到无条件的分子生成中.
- 通过深度学习增强生成分子的有效性和新性.
- 改善具有平衡化学和生物特性的候选药物的发现.
主要方法:
- 在线知识蒸框架 (OMG) 的实施,用于无条件的分子生成.
- 使用GPT模型进行 de novo SMILES串式生成,并使用变压器模型进行基于支架的生成.
- 通过模型之间的相互学习,深入整合脚手架和完整的分子结构知识.
主要成果:
- OMG框架显著提高了基于GPT的无条件分子生成的有效性和新性.
- 对基准数据集的实验结果表明性能提高.
- 生成的分子在多种化学性质和生物活动中表现出有利的平衡.
结论:
- OMG框架有效地结合了脚手架引导生成和无条件生成的好处,同时减轻了偏差.
- 这种方法通过改进的分子生成提高了发现可行的候选药物的潜力.
- 在将深度学习应用于药物发现和分子设计方面,OMG代表了有前途的进步.
