Compositional Generative Flows (CGFlow) est un nouveau framework qui étend la correspondance de flux pour générer des objets composants aux caractéristiques continues. CGFlow formalise les transitions d'état compositionnel comme une simple extension du processus d'interpolation de correspondance de flux, permettant un échantillonnage compositionnel basé sur la récompense en s'appuyant sur les fondements théoriques de GFlowNets. Il est appliqué à la conception de médicaments synthétisables en concevant conjointement les trajectoires synthétiques et les positions de liaison 3D des molécules, obtenant des affinités de liaison de pointe sur les 15 cibles du benchmark LIT-PCBA et améliorant l'efficacité d'échantillonnage de 5,8 fois par rapport aux références basées sur la synthèse 2D. C'est également la première méthode à atteindre des performances de pointe sur Vina Dock (-9,38) et un taux de réussite AiZynth (62,2 %) sur le benchmark CrossDocked.
