MOLER：分子最適化のために分子レベルの報酬を組み込んだ深層生成モデルの強化

分子最適化の目標は、ターゲット分子に似た化合物を生成しつつ、化学特性を向上させることです。深層生成モデルは、分子最適化において大きな成功を収めています。しかし、深層生成モデルの反復的な局所生成プロセスのために、生成された分子は入力に対して分子の類似性やサイズの面で大きく逸脱する可能性があり、その結果、化学特性が悪化します。ここでの重要な問題は、既存の深層生成モデルが全体の分子を考慮せずにサブストラクチャーレベルの生成に注目を制限していることです。この課題に対処するために、入力分子と生成分子の類似性を高め、生成される分子が入力と同じサイズであることを確保することを促進する分子レベルの報酬関数（MOLER）を提案します。この方法は様々な深層生成モデルと組み合わせることができます。政策勾配技法を導入して、計算のオーバーヘッドを最小限に抑えながら報酬に基づいた目的を最適化します。経験的研究によると、MOLERはQED、DRD2、LogPを含むいくつかの特性において、最良のベースライン手法に対して最大20.2%の相対改善を達成します。