ICMLMar, 2022

利用 GFlowNets 进行生物序列设计

PDF
TL;DR本文提出一种利用表观不确定性评估和最近提出的 GFlowNets 作为生成器的主动学习算法，旨在在每一轮后获得一批有用且信息量大的候选解，并在此基础上设计了新的生物序列设计任务模型，并对其进行了实验验证，在多个任务上取得了良好的效果。
de novo biological sequencesactive learning algorithmepistemic uncertainty estimationgflownetsdiverse candidate solutions
发现论文，激发创造
  • 借助 GFlowNets 实现 DNA 编码库生成

    DNA-encoded libraries (DELs) are evaluated for protein-protein interaction (PPI) biased DEL design, using machine learning algorithms as rewards for the proposed GFlowNet-based generative approach, and investigating the use of structural information for hierarchical action space design. GFlowNets show promise for generating diverse combinatorial library candidates.

    Apr, 2024

  • 基于几何信息的 GFlowNets 用于结构化药物设计

    利用生成流网络（GFlowNets）有效地探索药物样分子的组合空间，改进了 GFlowNet 框架，以增强生成特定蛋白质口袋的分子的能力，并通过使用 CrossDocked2020 数据集的实验证明了生成分子与蛋白质口袋之间的结合亲和力的提高，提出了进一步增加蛋白质 - 配体相互作用几何信息的未来研究方向。

    Jun, 2024

  • GFlowNets 多阶段主动学习

    本文提出采用 GFlowNets 多保真度主动学习算法，可在具有多个保真度和代价参差不齐的神奇黑匣子函数的情况下，高效加速科学发现和工程设计。

    Jun, 2023

  • 基于流网络的生成模型用于非迭代多样候选生成

    本文提出了一种基于 GFlowNet 的生成策略来生成对象的方法，该方法将生成过程视为一种流动网络，并将一组轨迹转换为流动，并将流动一致性方程转换为学习目标，以实现训练时的搜索成本，从而提高了性能和多样性。

    Jun, 2021

  • 基于能量的 GFlowNets 一致性训练用于建模离散联合分布

    本研究基于联合能量模型，提出了一个名为 JEBGFNs 的模型，用于生成多个变量的离散对象。通过对抗性奖励，结合 GFlowNet 模型训练参数，此模型在生成抗菌肽方面的性能得到了显著改善，并在发现抗菌肽的主动学习设置中得到了评估。

    Nov, 2022

  • 目标条件 GFlowNets 用于可控多目标分子设计

    本研究采用目标导向的分子生成算法探究多目标优化问题中 Pareto 前沿的整体性，并提出一种去除标量化策略的条件化模型用于均匀探索整个 Pareto 前沿。

    Jun, 2023

  • SynFlowNet: 朝着具备保证的合成途径的分子设计

    基于生成模型的分子生成模型在药物发现方面取得了突破。通过使用具有化学验证的反应和反应物的动作空间，SynFlowNet 模型能够构建具有合成可行性的新分子，并且在多样性和高效性方面表现出色。

    May, 2024

  • 双生成流网络

    深度学习在药物发现中是一种有效的工具，具有在预测模型和生成模型中的潜在应用。本文介绍了双生成流网络（double GFlowNets，DGFNs），这是一种能够生成多样化候选物分子的方法。通过引入强化学习和双深度 Q 学习的概念，我们在采样轨迹时使用了目标网络，并利用这些采样轨迹更新主网络。实证结果表明，DGFNs 有效地增强了在稀疏奖励领域和高维状态空间中的探索能力，这是药物发现中崭新设计的具有挑战性的方面。

    Oct, 2023

  • 可合成化分子生成的 GFlowNets

    通过在化学反应空间中操作，将生成模型扩展到小分子发现中，从而增加了搜索空间的大小，并保持候选分子生成的可合成性，同时对于预训练代理模型和 GPU 加速对接等多个 Oracle 模型都具有良好的表现。

    Jun, 2024

  • 基因引导的 GFlowNets：提升实用分子优化基准

    本篇论文提出了一种新的 GFlowNet 变体，遗传引导 GFlowNet (Genetic GFN)，通过将迭代遗传搜索集成到 GFlowNet 中，有效地指导 GFlowNet 到高回报区域，解决全局过度探索导致训练效率低下和探索有限区域的问题。此方法在实际分子优化 (PMO) 的基准测试中达到了 16.213 的最高分数，明显优于报道的最佳分数 15.185，超过了 23 个任务中的所有基准线，包括强化学习、贝叶斯优化、生成模型、GFlowNets 和遗传算法。

    Feb, 2024