MolLIBRA: 基于多指纹代理和文本-分子对齐批评者的遗传分子优化
MolLIBRA: Genetic Molecular Optimization with Multi-Fingerprint Surrogates and Text-Molecule Aligned Critic
AI总结：
MolLIBRA 通过结合多指纹代理和文本-分子对齐批评者，实现高效的分子优化，在 PMO-1K 基准中取得最佳性能。
摘要：
我们研究了在有限的 oracle 评估预算下实现样本高效的分子优化。我们提出了 MolLIBRA（多模态和语言集成贝叶斯和进化优化），这是一种基于遗传算法的框架，它在 oracle 调用之前使用多个批评者对候选分子进行预排序：（i）一个基于多个分子指纹定义的高斯过程（GP）代理集合，（ii）一个预训练的文本-分子对齐编码器 CLAMP。GP 集合能够自适应选择适合任务的指纹，而 CLAMP 通过测量分子和文本嵌入之间的相似性，提供零样本评分信号。在具有 1,000 次评估预算（PMO-1K）的实用分子优化（PMO）基准上，MolLIBRA-L，我们的基于语言模型的候选生成器变体，在 14/22 个任务上取得了最佳的 Top-10 AUC，且在先前方法中总体 Top-10 AUC 总和最高。
英文摘要：
We study sample-efficient molecular optimization under a limited budget of oracle evaluations. We propose MolLIBRA (MultimOdaLity and Language Integrated Bayesian and evolutionaRy optimizAtion), a genetic algorithm based framework that pre-ranks candidate molecules using multiple critics before oracle calls: (i) an ensemble of Gaussian process (GP) surrogates defined over multiple molecular fingerprints and (ii) a pretrained text-molecule aligned encoder CLAMP. The GP ensemble enables adaptive selection of task-appropriate fingerprints, while CLAMP provides a zero-shot scoring signal from task descriptions by measuring the similarity between molecular and text embeddings. On the Practical Molecular Optimization (PMO) benchmark with a budget of 1,000 evaluations (PMO-1K), MolLIBRA-L, our variant with a language-model-based candidate generator, attains the best Top-10 AUC on 14/22 tasks and the highest overall sum of Top-10 AUC across tasks among prior methods.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
