BriefGPT - AI 论文速递
·
双空间优化：潜在提示变换提升分子序列设计
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
该论文提出了一种潜在提示Transformer模型，用于解决分子设计等优化问题。该模型由潜在向量、分子生成模型和属性预测模型组成，实验证明其在分子设计任务上表现出最先进的性能。
🎯
关键要点
- 该论文提出了一种潜在提示Transformer模型，用于解决分子设计等优化问题。
- 模型的目标是找到具有目标化学或生物特性优化数值的分子。
- 模型由三个组成部分构成：潜在向量、分子生成模型和属性预测模型。
- 潜在向量的先验分布由高斯白噪声向量的Unet转换建模。
- 分子生成模型根据潜在向量生成基于字符串的分子表示，采用因果Transformer模型。
- 属性预测模型通过非线性回归预测分子的目标属性值。
- 模型在对现有分子及其属性值进行初始训练后，逐渐将模型分布转移到支持所需目标属性值的区域。
- 实验证明该模型在多个基准分子设计任务上表现出最先进的性能。
🏷️
标签
➡️
