.png){kind=icon}
返回
MoDeMol: A Decomposition-Based Evolutionary Framework for Multi-Objective Molecular Optimization
.png){kind=icon}
OA
AI
DOI：10.3390/ijms27198818.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
先导化合物多目标优化需要在相互制约的类药性质之间进行权衡，但传统的潜在生成和进化优化方法存在结构-功能错配、种群结构冗余以及在有限评估预算下的低搜索效率问题。本研究提出了一种基于分解的进化框架（MoDeMol），建立在基于分数信息的潜在空间之上，包含四个核心创新：（1）由预测的双靶点活性分数监督的对比微调Transformer-VAE潜在空间，以提高潜在空间邻近性与预测靶点活性谱之间的对齐。（2）结合先导化合物潜在扰动和高质量分子库筛选的混合种群初始化，以平衡局部骨架保留和全局高预测活性区域探索。（3）针对动态子问题计算调度的自适应资源分配机制，在属性评估预算有限时提升优化效率。（4）动态Morgan指纹相似性惩罚，以抑制结构冗余并维持种群中的多样化分子骨架。在单靶点GSK3β和双靶点GSK3β/JNK3激酶优化任务的广泛基准测试中表明，MoDeMol在成功率、Pareto超体积和合格分子产量方面优于MolFinder、JANUS和MOMO。定量潜在空间分析、定性可视化、骨架追踪和消融实验为所提出组件的贡献提供了补充证据。该框架在有限评估预算的计算机多目标先导化合物优化工作流中解决了表示对齐、结构冗余和搜索资源分配问题。
Keyword:
multi-objective algorithm
molecular optimization
latent-space optimization
期刊
IF:
4.9
论文数:
2.1W
被引数:
44.5W
机构
引用论文
暂无论文信息