Nat. M.L. | 基于条件变换器、知识提炼和强化学习的多约束分子生成
题目：Multi-constraint molecular generation based on conditional transformer, knowledge distillation and reinforcement learning
杂志：Nature Machine Intelligence
IF: 15
时间：18 October 2021
链接：https://www.nature.com/articles/s42256-021-00403-1
摘要
基于机器学习的生成模型可以从头开始生成具有理想的生理化学和药理学特性的新分子。许多优秀的生成模型已经被提出，但分子生成任务中的多目标优化对于大多数现有的模型来说仍然相当具有挑战性。在此，我们提出了多约束分子生成（multi-constraint molecular generation, MCMG）方法，通过知识提炼将条件转化器和强化学习算法结合起来，可以满足多种约束。通过有效地学习并将结构-属性关系纳入一个有偏见的生成过程，条件转化器被用来训练一个分子生成模型。然后采用知识蒸提炼型来降低模型的复杂性，以便通过强化学习有效地进行微调，提高生成分子的结构多样性。正如一组综合基准所证明的那样，MCMG是一种非常有效的方法，可以穿越庞大而复杂的化学空间，寻找满足多种属性约束的新型化合物。