MetaMolGen: Ein neuronales Graph-Motiv-Generierungsmodell für De Novo molekulare Gestaltung

Die molekulare Generierung spielt eine wichtige Rolle in der Arzneimittelentdeckung und der Materialwissenschaft, insbesondere in datenscarmen Szenarien, in denen traditionelle generative Modelle oft Schwierigkeiten haben, eine zufriedenstellende bedingte Generalisierung zu erreichen. Um diese Herausforderung anzugehen, schlagen wir MetaMolGen vor, einen ersten meta-lernbasierten molekularen Generator, der für Few-Shot- und eigenschaftsbedingte molekulare Generierung konzipiert ist. MetaMolGen standardisiert die Verteilung von Graph-Motiven, indem es sie auf einen normalisierten latenten Raum abbildet, und verwendet ein leichtgewichtiges autoregressives Sequenzmodell zur Generierung von SMILES-Sequenzen, die die zugrunde liegende molekulare Struktur treu widerspiegeln. Darüber hinaus unterstützt es die bedingte Generierung von Molekülen mit Ziel-Eigenschaften durch einen lernbaren Eigenschaftsprojektor, der in den generativen Prozess integriert ist. Experimentelle Ergebnisse zeigen, dass MetaMolGen konsistent gültige und vielfältige SMILES-Sequenzen unter Niedrigdatenbedingungen generiert und konventionelle Baselines übertrifft. Dies hebt seinen Vorteil in der schnellen Anpassung und effizienten bedingten Generierung für eine praktische molekulare Gestaltung hervor.