Sep, 2023

用好奇心作为自我监督的方法，以改善 De novo 药物设计中的探索

PDF
TL;DR我们介绍了一种基于好奇心驱动的方法，通过在化学空间的许多部分导航，从而实现更高的理想性和多样性。这种方法通过训练一个基于递归神经网络的分子生成器，并在此基础上进行微调，通过最大化好奇心和理想性来发现更多以及更易合成的理想分子。
发现论文，激发创造
  • 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

  • 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

  • 用于促进药物发现的化学空间的深度学习视角

    该论文介绍了一种基于深度学习技术的神经网络模型 DESMILES，其可以用于药物发现中的分子设计，实验结果表明 DESMILES 比现有模型更有效地改进了输入分子，降低了失败率，并可用于修改分子以促进其在不同受体中的结合亲和力。

    Feb, 2020

  • 元学习好奇算法

    本文认为好奇心是一种进化机制，能够在智能体的一生中鼓励有意义的探索，以暴露它于能够使其获得高报酬的经验。该文提出了一种基于元学习的产生好奇行为的问题，并使用元学习算法将代理人的奖励信号动态调整来解决问题。作者进一步提出使用元算法来扩大其适用性，并将其他构建块（例如缓冲器、最近邻模块和定制丢失函数）与神经网络结合使用。最终，本文提出的两种好奇心算法在图像导航、机器人和其他领域表现优于人类设计的已发表算法。

    Mar, 2020

  • 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

  • 自监督预测驱动下的好奇心驱动探索

    通过在自监督逆向动力学模型学习的视觉特征空间中预测行动结果的错误来形成好奇心作为内在奖励信号，提高自主智能体在缺乏外部奖励刺激的情况下探索环境和学习技能的能力，具有在不同领域中推广的潜力。

    May, 2017

  • 遗传探索引导深度分子优化

    本文介绍一种基因专家引导学习法（GEGL）的新框架，用于培训深度神经网络（DNN）生成高奖励分子，结果表明 GEGL 在优化中显著优于现有方法。

    Jul, 2020

  • 可控制分子生成的基于检索的方法

    本文提出了一种基于检索的分子生成框架，使用例子分子来引导预先训练的生成模型生成符合给定设计标准的分子，通过自我监督目标来训练混合输入分子和示例分子的检索机制，使用迭代改进来动态更新生成的分子和检索数据库，成果表明我们的方法比以前的方法有更好的性能和更广泛的适用性。

    Aug, 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

  • 利用循环神经网络生成药物发现的专注分子库

    本文研究了基于计算机算法的 de novo 药物设计，利用循环神经网络训练生成分子结构，生成分子的性质与原用来训练模型分子的性质很相似。同时，提出使用小型分子集与模型来微调生成分子的活性，可以生成大量的新分子用在药物研发中。

    Jan, 2017