Lianghong Chen Dongkyu Eugene Kim Mike Domaratzki Pingzhao Hu

摘要

在药物发现与分子工程领域，设计具有理想性质的全新三维分子仍是一个根本性挑战。尽管扩散模型在生成高质量三维分子结构方面展现出卓越能力，但在有效控制现实应用中至关重要的复杂多目标约束方面往往表现不佳。在本研究中，我们提出一种基于不确定性感知的强化学习（Reinforcement Learning, RL）框架，用于引导三维分子扩散模型在优化多个分子性质目标的同时，提升生成分子的整体质量。该方法利用具备预测不确定性估计能力的代理模型，动态调整奖励函数，从而实现多个优化目标之间的有效平衡。我们在三个基准数据集及多种扩散模型架构上对所提出框架进行了全面评估，结果表明其在分子质量与性质优化方面均持续优于现有基线方法。此外，对最优生成分子候选物进行分子动力学（Molecular Dynamics, MD）模拟及ADMET性质预测分析，结果显示其具备良好的类药物特性与结合稳定性，与已知的表皮生长因子受体（Epidermal Growth Factor Receptor, EGFR）抑制剂相当。本研究结果充分展示了强化学习引导的生成式扩散模型在推动自动化分子设计方面的巨大潜力。