Learning To Navigate The Synthetically Accessible Chemical Space Using\n Reinforcement Learning
Notice bibliographique
Résumé
Over the last decade, there has been significant progress in the field of\nmachine learning for de novo drug design, particularly in deep generative\nmodels. However, current generative approaches exhibit a significant challenge\nas they do not ensure that the proposed molecular structures can be feasibly\nsynthesized nor do they provide the synthesis routes of the proposed small\nmolecules, thereby seriously limiting their practical applicability. In this\nwork, we propose a novel forward synthesis framework powered by reinforcement\nlearning (RL) for de novo drug design, Policy Gradient for Forward Synthesis\n(PGFS), that addresses this challenge by embedding the concept of synthetic\naccessibility directly into the de novo drug design system. In this setup, the\nagent learns to navigate through the immense synthetically accessible chemical\nspace by subjecting commercially available small molecule building blocks to\nvalid chemical reactions at every time step of the iterative virtual multi-step\nsynthesis process. The proposed environment for drug discovery provides a\nhighly challenging test-bed for RL algorithms owing to the large state space\nand high-dimensional continuous action space with hierarchical actions. PGFS\nachieves state-of-the-art performance in generating structures with high QED\nand penalized clogP. Moreover, we validate PGFS in an in-silico\nproof-of-concept associated with three HIV targets. Finally, we describe how\nthe end-to-end training conceptualized in this study represents an important\nparadigm in radically expanding the synthesizable chemical space and automating\nthe drug discovery process.\n
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».