Text-Guided Multi-Property Molecular Optimization with a Diffusion Language Model
Created by
Haebom
저자
Yida Xiong, Kun Li, Jiameng Chen, Hongzhi Zhang, Di Lin, Yan Che, Wenbin Hu
개요
본 논문은 약물 발견 과정에서 중요한 단계인 분자 최적화(MO)에 대해 다룹니다. 기존의 MO 방법들은 외부 속성 예측기를 사용하여 반복적인 속성 최적화를 수행하지만, 방대한 화학 공간에서 모든 분자 샘플을 학습하는 것은 현실적이지 않아 예측 오류가 발생하고 최적이 아닌 분자 후보를 생성할 수 있습니다. 본 논문에서는 트랜스포머 기반 확산 언어 모델(TransDLM)을 활용한 텍스트 기반 다중 속성 분자 최적화 방법을 제안합니다. TransDLM은 표준화된 화학 명명법을 분자의 의미론적 표현으로 활용하고 속성 요구 사항을 텍스트 설명에 암시적으로 포함하여 확산 과정 중 오류 전파를 완화합니다. 물리적 및 화학적으로 상세한 텍스트 의미론과 특수 분자 표현을 융합하여 다양한 정보 원을 효과적으로 통합하여 정밀한 최적화를 유도하며, 구조 유지와 속성 향상의 균형을 개선합니다. 벤치마크 데이터셋에서 기존 최고 성능 방법보다 분자 구조 유사성 유지 및 화학적 특성 향상에 더 우수한 성능을 보였으며, 케이스 스터디를 통해 실제 문제 해결 능력도 입증되었습니다.
