强化学习在以量子力学为导向的分子设计中的应用

Feb, 2020

强化学习在以量子力学为导向的分子设计中的应用

Reinforcement Learning for Molecular Design Guided by Quantum Mechanics

Gregor N. C. Simm, Robert Pinsler, José Miguel Hernández-Lobato

TL;DR本文提出了一种新颖的基于强化学习的分子设计方式，使用笛卡尔坐标系来扩展分子结构类型，并利用快速量子化学方法对基本物理性质（如能量）进行直接奖励函数的构建。同时，引入了名为 MolGym 的强化学习环境，在该环境中针对多种具有挑战性的分子设计任务成功展开实验，并在此基础上，构建出一种翻译及旋转不变的状态空间，实现了从零开始的高效学习。

Abstract

Automating molecular design using deep reinforcement learning (RL) holds the promise of accelerating the discovery of new chemical compounds. Existing approaches work with molecular graphs and thus ignore the loc

deep reinforcement learning molecular design cartesian coordinates quantum-chemical methods molgym

发现论文，激发创造

基于强化学习的可扩展基于碎片的三维分子设计

本文提出了一种基于强化学习框架的分层代理方法，能够在三维空间中逐步放置分子亚结构，从而高效地学习如何建造具有不同分布的分子，包括药物样分子、有机发光二极管分子和生物分子，只利用能量考虑即可。

Feb, 2022

探索化学空间的好奇心：深度分子强化学习的内在奖励

本研究提出了一种灵感来源于好奇心的算法来帮助增强学习智能体在化学空间中实现高效探索，并在三个基准测试中展示了好奇心智能体可以找到表现更好的分子。这可能将带来出人意料的新分子，从而打破药物和材料发现领域。

Dec, 2020

通过深度强化学习优化分子

本文提出了一种名为 Molecule Deep Q-Networks（MolDQN）的框架，通过融合化学领域知识和最先进的强化学习技术（双 Q 学习和随机化价值函数）进行分子优化，直接修改分子以确保 100％的化学有效性，并通过多目标强化学习扩展模型以同时最大化药物样本度和维持原始分子与优化后分子的相似性，通过展示化学空间中的路径来帮助理解模型的工作方式。

Oct, 2018

利用强化学习和变形金刚搜索高价值分子

通过对不同的文本语法设计和训练算法选择进行广泛的实验，我们提出了一种新的基于强化学习的分子设计算法（ChemRLformer），并通过对 25 个分子设计任务的深入分析，包括计算复杂的蛋白质对接模拟，发现了这个问题领域的独特见解，并展示了 ChemRLformer 在文本分子设计中所取得的最新成果，同时还揭示了哪些设计选择对于文本分子设计实际上有帮助。

Oct, 2023

通过强化学习进行基于蛋白质靶点特异性支架抑制剂的设计

本文提出了一种新颖的框架，名为 3D-MolGNN$_{RL}$，结合了强化学习和基于 3D 骨架的深层生成模型，在优化多个特征的同时，通过并行图神经网络模型自动构建具有特定蛋白质活性的靶向分子，以使药物研发中的分子设计更快更高效。

May, 2022

使用强化学习学习如何导航合成可达的化学空间

本研究提出了一种基于增强学习框架的新型前向合成模型 (PGFS)，可以解决化学分子结构的可合成性和合成路线问题，该模型可以为机器学习的药物设计提供一个有挑战性的基础测试平台。

Apr, 2020

ChemGymRL: 数字化学强化学习的交互式框架

该研究提供了一个基于 Open AI Gym 模板的高度可定制和开源的 RL 环境，ChemGymRL，以支持在化学发现中训练 RL 代理，通过使用一系列互连的虚拟化学试验台。研究介绍了这些试验台，并在其中训练了一组标准 RL 算法，最后提供了多个标准 RL 方法的性能讨论和比较以及未来工作的发展方向列表作为 ChemGymRL 的远景。

May, 2023

自适应内在奖励的分子强化学习用于目标导向的分子生成

Mol-AIR 是一种基于强化学习和自适应内在奖励的分子生成方法，通过结合深度生成模型和增强学习来有效地生成具有特定性质的分子结构，优于现有方法在无先验知识的情况下生成具有期望性质的分子。

Mar, 2024

深度强化学习用于 De-Novo 药物设计

该论文提出了一种新的计算策略，名为 ReLeaSE（增强学习结构进化），通过深度学习和强化学习的方法，利用生成模型和预测模型生成具有预设属性的新型化合物库，此方法可用于生成具有单一或多个属性的有针对性的化合物库。

Nov, 2017

深度强化学习的分子全新设计

本文介绍了一种基于序列的生成模型来设计分子的方法，通过增强情节似然性可以学习生成具有某些指定的理想特性的结构。将模型应用于生成类似物质结构，生成与药物 Celecoxib 类似的分子以及具有活性的化合物。最后，将模型调整为生成预测对多巴胺受体 2 具有活性的化合物，得到了 95% 以上的预测为活性的结构，其中包括实验证实的活性化合物。

Apr, 2017