Regressor-free Molecule Generation to Support Drug Response Prediction

药物反应预测（DRP）是药物发现的关键阶段，其评估的最重要指标是IC50得分。DRP结果严重依赖于生成分子的质量。现有的分子生成方法通常采用基于分类器的指导，使得在IC50分类范围内进行采样。然而，这些方法未能确保采样空间范围的有效性，导致生成大量无效分子。通过实验和理论研究，我们假设基于目标IC50得分的条件生成可以获得更有效的采样空间。因此，我们引入了无回归器指导分子生成，以确保在更有效的空间内进行采样，并支持DRP。无回归器指导将扩散模型的得分估计与基于数字标签的回归控制器模型的梯度相结合。为了有效地映射药物和细胞系之间的回归标签，我们设计了一个常识数字知识图，约束文本表示的顺序。在DRP任务的真实世界数据集上的实验结果表明，我们的方法在药物发现中具有很好的效果。代码可在https://anonymous.4open.science/r/RMCD-DBD1上获得。

本论文试图解决药物发现中的一个关键问题：药物反应预测（DRP）的评估指标IC50得分受到生成分子质量的影响，现有的分子生成方法无法保证生成的分子的有效性。因此，论文提出了一种新的生成方法来确保生成的分子在更有效的空间内进行采样，以支持DRP。

该论文的关键思路是使用基于目标IC50分数的条件生成，以获得更有效的采样空间。为了实现这一目标，论文提出了无回归器引导分子生成的方法，将扩散模型的得分估计与基于数字标签的回归控制器模型的梯度相结合。为了有效地将回归标签映射到药物和细胞系之间，论文设计了一个常识性数字知识图谱来约束文本表示的顺序。

该论文的亮点包括：1. 提出了一种新的生成方法，可以在更有效的空间内进行采样，以支持DRP。2. 引入了无回归器引导分子生成的方法，可以有效地将回归标签映射到药物和细胞系之间。3. 设计了一个常识性数字知识图谱来约束文本表示的顺序。4. 在真实世界的DRP数据集上进行了实验，证明了该方法的有效性。5. 代码已经开源，可供使用。

在药物发现领域，近期还有一些相关的研究，例如：1. "DeepDTA: deep drug–target binding affinity prediction" (2018) 2. "A review of deep learning in drug discovery" (2019) 3. "Drug discovery using deep learning approaches: A review" (2020)