Preference Optimization for Molecule Synthesis with Conditional Residual Energy-based Models

分子合成是药物研发中的一个基本问题之一。目前的数据驱动策略采用一步反合成模型和搜索算法以自上而下的方式预测合成路线。尽管它们的表现有效，但这些策略在分子合成路线生成方面存在限制，因为下一步分子集的贪心选择没有任何前瞻性。此外，现有的策略不能根据可能的标准（如材料成本、产量和步骤数）控制合成路线的生成。在这项工作中，我们提出了一个通用和原则性的框架，采用条件残差能量模型（EBMs），重点关注基于特定标准的整个合成路线的质量。通过将额外的基于能量的函数纳入我们的概率模型，我们提出的算法可以以即插即用的方式增强各种策略生成的最可能的合成路线（具有更高概率）的质量。广泛的实验表明，我们的框架可以在各种策略中始终提高性能，并且在前面的最先进准确性上超过了2.5％的差距。代码可在https://github.com/SongtaoLiu0823/CREBM上获得。

论文旨在通过条件残差能量模型（EBMs）提出一个通用的、基于特定标准的分子合成路线生成框架，以解决目前分子合成中存在的问题。这些问题包括贪心选择下一个分子集合、无法控制生成的合成路线等。

论文提出了一种基于条件残差能量模型的框架，可以在各种策略中以插入式方式增强最有可能的合成路线的质量，并根据可能的标准（如材料成本、产率和步骤数）控制合成路线的生成。

论文的实验结果表明，该框架可以在各种策略中始终提高性能，并且比之前的最先进的方法的准确性高出2.5%。此外，论文提供了开源代码。

在分子合成领域，最近的相关研究包括基于图神经网络的分子合成路线预测、基于强化学习的分子合成路线优化等。