DOI: https://doi.org/10.1038/s42256-026-01200-4
PMID: https://pubmed.ncbi.nlm.nih.gov/42871027
تاريخ النشر: 2026-03-17
المؤلف: Jeff Guo وآخرون
الموضوع الرئيسي: طرق اكتشاف الأدوية الحاسوبية
نظرة عامة
قسم النتائج في ورقة البحث مقسم إلى ثلاثة مكونات رئيسية. أولاً، يستكشف ديناميات تحسين الذاكرة المعززة 45 من خلال مهمة تحسين نموذجية مبسطة (MPO). ثانياً، يقارن أداء هذا النموذج مع 15 نموذجًا آخر، بما في ذلك معايير فحص مجموعة البيانات، تحديدًا في سياق مهام ربط MPO. أخيرًا، يركز على تحسين الخصائص الإلكترونية لنظرية الكثافة الوظيفية (DFT) بشكل مباشر، باستخدام نهج أوراكل عالي الدقة.
تم إجراء جميع التجارب باستخدام عشرة بذور مختلفة (0-9)، باستثناء تجارب DFT، التي كانت محدودة بثلاث بذور (0-2) بسبب متطلبات الحوسبة العالية. تم تغيير ميزانية الأوراكل، المحددة على أنها عدد الجزيئات الفريدة التي تم تقييمها، عبر التجارب لضمان مقارنة عادلة مع الأدبيات الموجودة، وستفصل هذه الميزانية بشكل صريح في النتائج.
طرق
في هذا القسم، يوضح المؤلفون مكونات إطار عمل زحل لتوليد الجزيئات، مع التركيز على نموذج اللغة التلقائي، وخوارزمية التعلم المعزز للذاكرة المعززة (RL)، والخوارزمية الجينية (GA). يتم تأطير مهمة توليد الجزيئات كمشكلة تعلم معزز، حيث يتم تمثيل الجزيئات باستخدام ترميز SMILES. تشمل مساحة الحالة، المشار إليها بـ \( S_t \)، جميع تسلسلات الرموز الوسيطة، بينما يتم تعريف مساحة العمل \( A_t(s_t) \) من خلال توزيع الرموز الشرطية من السياسة \( \pi_\theta \)، المعلمة بواسطة هيكل Mamba. يستخدم نموذج Mamba أربعة مصفوفات قابلة للتعلم لنقل معلومات التسلسل، مما يسمح له بإدارة الأهمية السياقية بشكل فعال، مما يميزه عن نماذج مساحة الحالة السابقة. يتم التعامل مع عملية التوليد كعملية ماركوف، حيث يتم التعبير عن احتمال توليد تسلسل SMILES كـ \( P(x) = \prod_{t=1}^{T} \pi_\theta(a_t | s_t) \).
تحافظ مكونة الذاكرة المعززة على مخزن إعادة تشغيل لأفضل 100 SMILES بناءً على مكافآتها، وتقوم بتحديث الوكيل من خلال جولات تعزيز تتضمن عشوائية هذه الجزيئات. يمنع فلتر التنوع انهيار الوضع عن طريق تقصير مكافآت الهياكل التي يتم توليدها بشكل متكرر. تتكيف GA مع نهج GraphGA، معاملة مخزن إعادة التشغيل كجمعية أبوية لعمليات التهجين والطفرات على الرسوم البيانية الجزيئية. تهدف GA إلى إنتاج جزيئات جديدة ذات مكافآت عالية مع الالتزام بقيود هيكلية محددة. يفترض المؤلفون أن الاستفادة من الجزيئات ذات المكافآت العالية في الذاكرة المعززة ستعزز كفاءة العينة والتنوع، حيث من المتوقع أن تولد GA مرشحين إضافيين ذوي مكافآت عالية تجدد المخزن وتعزز التنوع في الجزيئات المولدة.
نقاش
في هذا القسم، يستكشف المؤلفون ديناميات تحسين إطار عمل الذاكرة المعززة، مع التركيز على هيكله والمعلمات الفائقة عبر هياكل الشبكات العصبية المختلفة، بما في ذلك RNNs، محولات فك التشفير، ونموذج Mamba. يستكشفون التوازن بين كفاءة العينة والتنوع، مع التأكيد بشكل خاص على دور الاستغلال المحلي في الفضاء الكيميائي كآلية لتعزيز كفاءة العينة. تستخدم التجارب هدف وزن جزيئي وتقيم مقاييس مثل العائد (عدد الجزيئات الفريدة التي تم توليدها فوق عتبة المكافأة) وعبء الأوراكل (عدد مكالمات الأوراكل اللازمة لتحقيق ذلك). تشير النتائج إلى أن زيادة جولات التعزيز تحسن عمومًا كفاءة العينة، حيث يتفوق Mamba باستمرار على الهياكل الأخرى في السيناريوهات الصعبة.
كما يبرز المؤلفون توازن الكفاءة والتنوع، موضحين أن أحجام الدفعات الأقل وجولات التعزيز الأعلى يمكن أن تعزز كفاءة العينة مع احتمال التضحية بالتنوع. يقترحون أن دمج خوارزمية جينية (GA) في عملية التوليد يمكن أن يساعد في الحفاظ على التنوع دون المساس بشكل كبير بالكفاءة. تشير النتائج إلى أن الأداء المتفوق لـ Mamba ينشأ من قدرته على التكيف الاستراتيجي مع بيانات التدريب، مما يؤدي إلى زيادة احتمالية توليد SMILES ذات مكافآت عالية. تختتم القسم بتأسيس إطار عمل زحل، الذي يستفيد من هذه الرؤى لتحسين مهام توليد الجزيئات بشكل فعال، متفوقًا على النماذج الموجودة في معايير اكتشاف الأدوية مع الحفاظ على توازن بين الكفاءة والتنوع.
DOI: https://doi.org/10.1038/s42256-026-01200-4
PMID: https://pubmed.ncbi.nlm.nih.gov/42871027
Publication Date: 2026-03-17
Author(s): Jeff Guo et al.
Primary Topic: Computational Drug Discovery Methods
Overview
The Results section of the research paper is divided into three key components. First, it explores the optimization dynamics of Augmented Memory 45 through a simplified Model Predictive Optimization (MPO) task. Second, it benchmarks the performance of this model against 15 other models, including dataset-screening baselines, specifically in the context of MPO docking tasks. Lastly, it focuses on the direct optimization of Density Functional Theory (DFT) electronic properties, utilizing a high-fidelity oracle approach.
All experiments were conducted using ten different seeds (0-9), with the exception of the DFT experiments, which were limited to three seeds (0-2) due to their high computational demands. The oracle budget, defined as the number of unique molecules evaluated, was varied across experiments to ensure a fair comparison with existing literature, and this budget will be explicitly detailed in the results.
Methods
In this section, the authors detail the components of the Saturn framework for molecular generation, focusing on the autoregressive language model backbone, the Augmented Memory reinforcement learning (RL) algorithm, and the genetic algorithm (GA). The molecular generation task is framed as an RL problem, where molecules are represented using SMILES notation. The state space, denoted as \( S_t \), encompasses all intermediate token sequences, while the action space \( A_t(s_t) \) is defined by the conditional token distribution from the policy \( \pi_\theta \), parameterized by the Mamba backbone. The Mamba model employs four learnable matrices to propagate sequence information, allowing it to effectively manage contextual importance, distinguishing it from previous state space models. The generation process is treated as a Markov process, with the probability of generating a SMILES sequence expressed as \( P(x) = \prod_{t=1}^{T} \pi_\theta(a_t | s_t) \).
The Augmented Memory component maintains a replay buffer of the top-100 SMILES based on their rewards, updating the agent through augmentation rounds that involve randomizing these molecules. A diversity filter prevents mode collapse by truncating the rewards of frequently generated scaffolds. The GA adapts the GraphGA approach, treating the replay buffer as a parent population for crossover and mutation operations on molecular graphs. The GA aims to produce new high-reward molecules while adhering to specific structural constraints. The authors hypothesize that leveraging high-reward molecules in Augmented Memory will enhance sample efficiency and diversity, as the GA is expected to generate additional high-reward candidates that refresh the buffer and promote diversity in the generated molecules.
Discussion
In this section, the authors investigate the optimization dynamics of the Augmented Memory framework, focusing on its architecture and hyperparameters across various neural network backbones, including RNNs, decoder transformers, and the Mamba model. They explore the trade-off between sample efficiency and diversity, particularly emphasizing the role of local exploitation in chemical space as a mechanism for enhancing sample efficiency. The experiments utilize a molecular weight objective and assess metrics such as yield (the number of unique molecules generated above a reward threshold) and oracle burden (the number of oracle calls needed to achieve this). Results indicate that increasing augmentation rounds generally improves sample efficiency, with Mamba consistently outperforming other architectures in challenging scenarios.
The authors also highlight the efficiency-diversity trade-off, demonstrating that lower batch sizes and higher augmentation rounds can enhance sample efficiency while potentially sacrificing diversity. They propose that integrating a genetic algorithm (GA) into the generative process can help maintain diversity without significantly compromising efficiency. The findings suggest that Mamba’s superior performance stems from its ability to strategically overfit the training data, leading to a higher likelihood of generating high-reward SMILES. The section concludes by establishing the Saturn framework, which leverages these insights to optimize molecular generation tasks effectively, outperforming existing models in drug discovery benchmarks while maintaining a balance between efficiency and diversity.