ترجمه فارسی مقاله پیشگویی Gflownet با پاداش های ارزان قیمت

چکیده

Generative Flow Networks (GFlowNets), a class of generative models have recently emerged as a suitable framework for generating diverse and high-quality molecular structures by learning from unnormalized reward distributions. Previous works in this direction often restrict exploration by using predefined molecular fragments as building blocks, limiting the chemical space that can be accessed. In this work, we introduce Atomic GFlowNets (A-GFNs), a foundational generative model leveraging individual atoms as building blocks to explore drug-like chemical space more comprehensively. We propose an unsupervised pre-training approach using offline drug-like molecule datasets, which conditions A-GFNs on inexpensive yet informative molecular descriptors such as drug-likeliness, topological polar surface area, and synthetic accessibility scores. These properties serve as proxy rewards, guiding A-GFNs towards regions of chemical space that exhibit desirable pharmacological properties. We further our method by implementing a goal-conditioned fine-tuning process, which adapts A-GFNs to optimize for specific target properties. In this work, we pretrain A-GFN on the ZINC15 offline dataset and employ robust evaluation metrics to show the effectiveness of our approach when compared to other relevant baseline methods in drug design.

چکیده به فارسی (ترجمه ماشینی)

شبکه های جریان تولیدی (Gflownets) ، یک کلاس از مدل های تولیدی اخیراً به عنوان یک چارچوب مناسب برای تولید ساختارهای مولکولی متنوع و با کیفیت بالا با یادگیری از توزیع پاداش غیر طبیعی ظاهر شده است.آثار قبلی در این جهت اغلب با استفاده از قطعات مولکولی از پیش تعریف شده به عنوان بلوک های ساختمانی ، اکتشاف را محدود می کنند و فضای شیمیایی قابل دسترسی را محدود می کنند.در این کار ، ما Gflownets اتمی (A-GFNS) را معرفی می کنیم ، یک مدل تولیدی بنیادی که اتم های فردی را به عنوان بلوک های ساختمانی برای کشف فضای شیمیایی مانند دارو به طور جامع تر اعمال می کند.ما یک رویکرد قبل از آموزش بدون نظارت را با استفاده از مجموعه داده های مولکول مانند داروهای آفلاین پیشنهاد می کنیم ، که A-GFN را بر روی توصیف کننده های مولکولی ارزان و در عین حال آموزنده مانند دارو ، سطح قطبی توپولوژیکی و نمرات دسترسی مصنوعی قرار می دهد.این خواص به عنوان پاداش پروکسی خدمت می کنند و A-GFN ها را به سمت مناطقی از فضای شیمیایی هدایت می کنند که دارای خواص دارویی مطلوب هستند.ما روش خود را با اجرای یک فرآیند تنظیم دقیق با هدف ، که A-GFN ها را برای بهینه سازی خواص هدف خاص تطبیق می دهد ، بیشتر می کنیم.در این کار ، ما A-GFN را در مجموعه داده های آفلاین ZINC15 پیش فرض می کنیم و از معیارهای ارزیابی قوی استفاده می کنیم تا اثربخشی رویکرد خود را در مقایسه با سایر روشهای پایه مرتبط در طراحی دارو نشان دهیم.