PairIT：低数据分子优化的自回归Transformer框架

Hannah Lawrence 等在 arXiv 提交论文，提出低数据分子优化框架 PairIT：一个基于 SMILES 序列的自回归 Transformer 训练框架，通过学习结构相似分子的配对数据，实现以种子分子为起点的局部、具有化学意义的编辑生成。 提示 token 可指定目标性质、优化方向和近似变化幅度，多个提示 token 支持推理时的多性质优化；对配对监督不足的性质，可用强化学习后训练进一步优化，并在种子分子接近度与优化目标之间提供可调取舍。 作者称，在 MoleculeNet 和 Therapeutics Data Commons 数据集上的实验表明，经过合适的配对数据整理，一个 68M 参数的常规规模 transformer 可在低数据条件下实现稳健的种子分子优化。以上为论文摘要中的实验声明，事件处于论文发布阶段。

AI 根据报道生成 · 3 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。