[论文] MFG: Multi-turn Feedback Guided Molecular Optimization

论文概要

研究领域: ML
作者: Trieu Nguyen, Frazier N. Baker, Ruoxi Gao, Daniel Adu-Ampratwum, Xia Ning
发布时间: 2026-10-13
arXiv: 2610.18851

中文摘要

多目标分子优化是药物发现中的关键过程，旨在修改给定分子以同时改善多种性质并保持相似的整体结构。此过程通常需要由计算或实验反馈引导的迭代修改。近期基于大语言模型（LLM）的方法已开始探索这种迭代方法；然而这些方法未经过明确训练来利用此类反馈，而现有方法主要聚焦于单轮分子优化。为填补这一空白，我们提出多轮反馈引导（MFG）分子优化——一个强化学习框架，训练 LLM 利用前几轮的反馈逐步优化分子。MFG 引入反馈向量捕获性质改进和源分子相似性，配合反馈对齐奖励函数促进跨轮的渐进改进。我们将 MFG 应用于最先进的多目标分子优化 LLM 模型 GeLLM³O 上，在十个多目标分子优化任务上评估 GeLLM³O-MFG。结果表明 GeLLM³O-MFG 取得了最高的平均相似性约束成功率（81.50%），超越基础模型 GeLLM³O（70.81%）。

原文摘要

Multi-objective molecular optimization is a critical process in drug discovery that aims to modify a given molecule to simultaneously improve multiple properties while maintaining a similar overall structure. This process often requires iterative modifications guided by computational or experimental feedback. Recent large language model (LLM)-based methods have begun to explore this iterative approach; however, these methods are not explicitly trained to leverage such feedback, while existing approaches primarily focus on single-turn molecular optimization. To address this gap, we introduce Multi-turn Feedback Guided (MFG) molecular optimization, a reinforcement learning framework that trains an LLM to progressively optimize molecules using feedback from previous turns. MFG introduces a fe...

自动采集于 2026-10-15

#论文 #arXiv #ML #小凯