在解码器-GPT分子生成中的可变温度令牌采样可以产生更强大和更强大的虚拟选库.
1Department of Chemistry, University of Reading, Reading, RG1, UK. m.cafiero@reading.ac.uk.
Physical chemistry chemical physics : PCCP
|June 25, 2025
概括
在生成预训练变压器 (GPT) 中采用可变温度采样,可以创建更大,更有效的分子选库. 这种方法优于制造HMG-coenzyme-A减少酶抑制剂的传统技术.
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:
- 生成性预训练变压器 (GPT) 越来越多地用于分子生成.
- 传统的代币生成方法包括贪解码,top-k和top-p采样.
- 优化分子生成用于特定的标,如HMG-coenzyme-A减少酶仍然是一个挑战.
研究的目的:
- 调查可变温度采样用于生成具有GPTs的分子的有效性.
- 为了比较可变温度采样与生成HMG-coenzyme-A减少酶抑制剂的常规方法.
- 确定最佳的可变温度方案,以增强分子图书馆生成.
主要方法:
- 使用了一种为生成HMG-coenzyme-A减少酶抑制剂而训练的GPT模型.
- 实施并比较了各种基于温度的采样技术,包括单温度和可变温度道 (例如,西格形).
- 根据尺寸,预测的IC50值,对接分数和合成可访问性评估生成的分子库.
主要成果:
- 可变温度采样,特别是在生成早期使用西格形坡道时,与贪解码或单温度采样相比,产生了更大的选库.
- 使用可变温度采样生成的库显示出较低的预测IC50值和对接分数.
- 通过可变温度方法,合成可访问性得分也得到了改善,特别是对于更短的提示长度.
结论:
- 可变温度采样是使用GPTs生成多样化和高质量的分子库的优质方法.
- 在生成过程的早期建议采用西格形温度坡,以优化抑制剂的发现.
- 这种方法提高了识别潜在候选药物的效率,用于像HMG-coenzyme-A减少酶这样的目标.


