Adaptive subspace Bayesian optimization over molecular descriptor libraries for data-efficient chemical design

doi:10.1039/D5DD00188A

Adaptive subspace Bayesian optimization over molecular descriptor libraries for data-efficient chemical design

2025-09-01

0

OA

AI

DOI：10.1039/D5DD00188A

原文链接

原文求助

摘要

En 中文

具有最优功能特性的分子的发现是能源存储、催化和化学传感等不同领域的核心挑战。然而，分子特性优化（MPO）由于化学空间的组合规模以及通过模拟或湿实验获取特性标签的成本而仍然困难。贝叶斯优化（BO）为在此类设置中的样本高效发现提供了一种规范框架，但其有效性严重依赖于用于训练底层概率代理模型时的分子表示质量。基于指纹、图、SMILES字符串或学习嵌入的现有方法通常因高维度或结构不良的潜在空间而在低数据条件下挣扎。在此，我们介绍了具有主动识别子空间的分子描述符（MolDAIS），这是一种灵活的分子BO框架，能够自适应地在大描述符库中识别任务相关的子空间。利用近期BO文献中引入的稀疏轴对齐子空间（SAAS）先验，MolDAIS构建了聚焦于任务相关特征且简洁的 Gaussian process 代理模型，随着新数据的获取而更新。除了验证该描述符基础的MPO方法外，我们还引入了两种新颖的筛选变体，它们在显著降低计算成本的同时保留了预测精度和物理可解释性。我们证明了MolDAIS在一系列基准和真实任务中（包括单目标和多目标优化）持续优于当前最先进的MPO方法。我们的结果表明，MolDAIS能够使用少于100次特性评估，从超过100,000个分子的化学库中识别出接近最优的候选分子，凸显了其在数据匮乏的分子发现中作为实用工具的潜力。

Keyword:

molecular property optimization

Bayesian optimization

Gaussian process

molecular descriptors

active subspace identification

Adaptive subspace Bayesian optimization over molecular descriptor libraries for data-efficient chemical design

摘要

期刊

机构

引用论文