GP-MoLFormer-Sim: Test Time Molecular Optimization through Contextual Similarity Guidance
Created by
Haebom
Category
Empty
저자
Jiri Navratil, Jarret Ross, Payel Das, Youssef Mroueh, Samuel C Hoffman, Vijil Chenthamarakshan, Brian Belgodere
개요
분자 유사성을 유지하면서 분자 공간을 탐색하고 샘플링하는 효율적인 훈련 없는 방법을 제시합니다. 이 방법은 생성적 화학 언어 모델(CLM)을 활용하여 목표 분자와의 분자 유사성을 안내로 사용합니다. CLM에서 학습한 컨텍스트 표현을 활용하여 분자 유사성을 추정하고, 이를 통해 CLM의 자동 회귀 샘플링 전략을 조정합니다. 이 방법은 GP-MoLFormer-Sim으로 명명되었으며, 유전자 알고리즘(GA)과 통합되어 다양한 분자 최적화 벤치마크에서 테스트되었습니다.
시사점, 한계점
•
시사점:
◦
GP-MoLFormer-Sim은 기존의 훈련 없는 기준 방법보다 우수한 성능을 보입니다.
◦
CLM의 생성 메커니즘을 이해하고 안내하는 데 기여합니다.
◦
분자 속성 최적화, 분자 재발견 및 구조 기반 약물 설계와 같은 다양한 응용 분야에 적용 가능합니다.
