ACEGEN: Reinforcement learning of generative chemical agents for drug discovery

要約

近年、強化学習（RL）は医薬品設計における貴重なツールとして台頭しており、望ましい特性を持つ分子を提案し、最適化する可能性をもたらしています。
ただし、高度な RL アルゴリズムは複雑であり、特殊なコードに大きく依存しているため、機能、柔軟性、信頼性、効率のバランスを取ることは依然として困難です。
この研究では、徹底的にテストされた再利用可能なコンポーネントを提供する最新の RL ライブラリである TorchRL を使用して構築された、医薬品生成設計向けに調整された包括的で合理化されたツールキットである ACEGEN を紹介します。
他の公開されている生成モデリング アルゴリズムと比較してベンチマークを行うことによって ACEGEN を検証し、同等または向上したパフォーマンスを示します。
複数の創薬事例にACEGENを適用した例も示します。
ACEGEN は \url{https://github.com/acellera/acegen-open} からアクセスでき、MIT ライセンスに基づいて使用できます。

要約(オリジナル)

In recent years, reinforcement learning (RL) has emerged as a valuable tool in drug design, offering the potential to propose and optimize molecules with desired properties. However, striking a balance between capabilities, flexibility, reliability, and efficiency remains challenging due to the complexity of advanced RL algorithms and the significant reliance on specialized code. In this work, we introduce ACEGEN, a comprehensive and streamlined toolkit tailored for generative drug design, built using TorchRL, a modern RL library that offers thoroughly tested reusable components. We validate ACEGEN by benchmarking against other published generative modeling algorithms and show comparable or improved performance. We also show examples of ACEGEN applied in multiple drug discovery case studies. ACEGEN is accessible at \url{https://github.com/acellera/acegen-open} and available for use under the MIT license.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google