题目：Retrieval-based Controllable Molecule Generation
文献来源:https://arxiv.org/abs/2208.11126 (ICLR 2023)
代码：https://github.com/NVlabs/RetMol.
简介：通过生成模型生成具有特定化学和生物学特性的新分子已经成为药物发现的一个有前途的方向。然而，现有的方法需要使用大型数据集进行广泛的训练/微调，而这在现实世界的生成任务中往往是不可用的。在这项工作中，作者提出了一个新的基于检索的可控分子生成框架。作者使用一组小的范例分子，即那些（部分）满足设计标准的分子，来引导预先训练的生成模型来合成满足给定的设计标准的分子。作者设计了一种检索机制，检索和融合范例分子与输入分子，并由一个新的自监督目标训练，预测输入分子的最近邻居。他们还提出了一个迭代的细化过程，以动态更新生成的分子和检索数据库，从而更好地泛化。该方法对生成模型的选择是不可知的，并且不需要特定于任务的微调。在各种任务中，从简单的设计标准到设计与SARS-CoV-2主要蛋白酶结合的先导化合物的具有挑战性的现实场景，作者证明了该方法推断的分子远远超出了检索数据库，并取得了比以前的方法更好的性能和更广泛的适用性。
主要内容：
-------------------------------------------
欢迎点赞收藏转发！
下次见！