Accelerating Drug Discovery with Deep Reinforcement Learning: Molecular Generation Using Deep Q-Network
Notice bibliographique
Résumé
The drug discovery process is traditionally time-consuming and expensive, relying on manual trial and error methods through the Design-Make-Test-Analyze (DMTA) cycle. High-throughput screening has facilitated molecular selection but remains cost-prohibitive, limiting accessibility to many research institutions. In recent years, artificial intelligence (AI) has revolutionized computational drug discovery, enabling more efficient molecular generation and optimization. Among these AI-driven methods, deep reinforcement learning (DRL) has emerged as a powerful technique for novel molecular design, guiding the optimization process toward desired chemical properties. This study employs a Deep Q-Network (DQN) to generate novel drug-like molecules and evaluates their relevance using molecular features extracted from the ZINC dataset. Notably, increasing the number of actions in the DQN model enabled broader chemical space exploration, resulting in structurally diverse and meaningful compounds. The generated molecules exhibit favorable drug-like properties, such as optimized LogP values, molecular weight, and hydrogen bonding profiles. Both generated compounds achieved 100 % chemical validity, demonstrating that reinforcement learning (RL) can effectively navigate the chemical space and accelerate the identification of promising therapeutic candidates. Compared to prior works such as ReLeaSE, GCPN, and MolDQN, our model offers competitive results with simpler architecture and consistently high chemical validity. By streamlining the DMTA cycle, this approach offers a cost-effective and scalable path toward AI-guided drug discovery.
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 | 0,000 |
| 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) | 0,003 | 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 ».