UniGEM: A Unified Approach to Generation and Property Prediction for Molecules

分子生成和分子性质预测对于药物研发都至关重要，但它们通常是独立开发的。受最近的研究启发，这些研究表明扩散模型是一种突出的生成方法，可以学习有意义的数据表示，从而增强预测任务的能力，我们探索在分子领域开发统一的生成模型的潜力，以有效地解决分子生成和性质预测任务。然而，由于内在的不一致性，这些任务的整合是具有挑战性的，使得简单的多任务学习方法是无效的。为了解决这个问题，我们提出了UniGEM，这是第一个成功整合分子生成和性质预测的统一模型，在两个任务中都具有卓越的性能。我们的关键创新在于一种新颖的两阶段生成过程，在分子骨架形成后激活预测任务。我们通过创新的训练策略进一步增强了任务平衡。严格的理论分析和全面的实验证明了我们在两个任务中的显着改进。UniGEM背后的原则为更广泛的应用提供了希望，包括自然语言处理和计算机视觉。

本文旨在探索一种统一的生成模型，既能够生成分子结构，又能够预测分子性质。然而，由于内在的不一致性，这两个任务的集成是具有挑战性的。本文提出了一种名为UniGEM的新方法，通过创新的训练策略和新颖的二阶段生成过程来解决这个问题。

本文的关键创新在于采用了一个新颖的二阶段生成过程，其中预测任务在分子骨架形成后的后期阶段被激活，以增强任务平衡。

本文提出的UniGEM方法在分子生成和性质预测任务中均取得了优秀的性能表现。实验结果表明，本文的方法优于当前最先进的方法，并且该方法的原则具有更广泛的应用前景。本文还采用了创新的训练策略，包括分子性质分组、动态平衡和分子相似性惩罚。

最近的相关研究包括：1.《Drug discovery with generative models: An overview》；2.《Molecule generation with recurrent neural networks》；3.《Generative models for graph-based protein design》。