Optimized Drug Design using Multi-Objective Evolutionary Algorithms with SELFIES

计算机辅助药物设计是降低开发新药物的巨大成本，即时间和资源的有希望的方法。它可以帮助遍历潜在有用化合物的广阔化学空间。本文使用多目标进化算法，即NSGA-II、NSGA-III和MOEA/D来实现这一目的。同时，我们使用SELFIES字符串表示方法。除了QED和SA得分之外，我们还使用GuacaMol基准多目标任务集来优化化合物。我们的结果表明，所有三种算法都表现出收敛行为，并成功地优化了定义的标准，尽管它们主要在找到潜在解决方案的数量上有所不同。我们观察到，在Pareto集合中获得的化合物中发现了新颖且有前途的合成候选物。

本论文旨在探索多目标进化算法在计算辅助药物设计中的应用，以优化化合物的性质并发现新的候选化合物。

论文采用了SELFIES字符串表示法和GuacaMol基准多目标任务集，使用NSGA-II、NSGA-III和MOEA/D等多目标进化算法进行优化，成功地优化了所定义的标准，同时发现了新的有前途的合成候选物。

论文使用了多种多目标进化算法进行优化，比较了它们的性能；使用了SELFIES字符串表示法和GuacaMol基准多目标任务集进行实验；发现了新的有前途的合成候选物。

最近在这个领域中，还有一些相关的研究，如“Deep Reinforcement Learning for de Novo Drug Design”和“Graph Convolutional Policy Network for Goal-Directed Molecular Graph Generation”。