哥德堡大学 & Molecular AI | 利用强化学习进行新药设计

​

【推荐理由】传统生成具有特定性质的新药分子的方法大多基于深度学习。本文开发了一个统一框架，利用强化学习进行全新的药物设计。该工作有利于人们研究各种强化学习方法进行全新的药物设计。

Utilizing Reinforcement Learning for de novo Drug Design

Hampus Gummesson Svensson, Christian Tyrchan, Ola Engkvist, Morteza Haghir Chehreghani

【论文链接】https://arxiv.org/pdf/2303.17615.pdf

【项目链接】https://github.com/hampusgs/SMILES-RNN-RL

【摘要】近年来，利用深度学习生成具有特定性质的新药分子的方法引起了广泛关注。最近的研究表明，利用强化学习进行基于字符串的新分子生成具有良好的性能。在本文中，作者开发了一个统一框架，利用强化学习进行全新的药物设计，系统研究了各种在线和离线强化学习算法和回放缓冲区，学习基于RNN的策略生成预测对多巴胺受体DRD2具有活性的新分子。研究结果表明，在结构多样性至关重要时，使用至少高分和低分分子来更新策略是有优势的。在策略更新时使用所有生成的分子似乎可以增强在线算法的性能稳定性。此外，当回放高、中、低分子时，离线算法显示出提高结构多样性和生成活性分子数量的潜力，但可能会牺牲探索阶段的时间。该工作提供了一个开源框架，使研究人员能够研究各种强化学习方法进行全新的药物设计。

​Read More