.png){kind=icon}
返回
Semantic substructure guided multiple objective molecular generation with discrete diffusion probabilistic model
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2025.131086.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度学习方在过去几年为药物发现铺平了道路，但设计满足多目标约束的分子仍然是一个巨大的挑战。传统的生成对抗网络存在严重的模式崩溃问题，而基于Transformer的大型语言模型需要相对大量的数据来进行训练或微调。去噪扩散概率模型在图像生成领域取得了巨大成功，但在药物发现中探索基于扩散的语言模型仍然是一个开放性的挑战。在此，我们连接了分子先验分布和期望的生物活性分子分布，提出了SGDiff，即子结构引导扩散模型，该模型能够迭代地将基于序列的条件信息注入去噪过程中，以指导生成过程，而无需额外的强化学习微调过程。我们对基于Transformer的语言模型和基于扩散的语言模型进行了充分的讨论。SGDiff在多目标生成任务中可以达到最高的条件成功率，并且能够从条件指导中保持高多样性。此外，SGDiff在采样过程中具有很好的可解释性。我们进行了多项探索，以详细理解引导范式的机制，这可以更好地用于进一步的多目标约束分子生成。
Keyword:
diffusion models
drug discovery
molecular generation
conditional guidance
substructure guided diffusion
