跳到正文
arXiv· Meir Roketlishvili; Felix Huber; Wenda Chu; Yisong Yue; Raul Astudillo·· 27 天前AI 评分51

MODS:用模块化扩散引导实现多目标蛋白质优化

Multi-Objective Protein Optimization via Modular Diffusion Steering

AI 导读

论文提出 MODS,一个通过推理时扩散引导进行多目标蛋白质优化的模块化框架。它为每个候选采样增强 Chebyshev 标量化权重和适应度代理集成成员来定义标量引导奖励,不同权重指向不同目标权衡,每轮评估后只更新代理模型而不重训生成模型。研究在六项蛋白质优化任务上搭配两种扩散模型和两种引导流程评估,MODS 在所有任务上取得有竞争力的最终超体积,并在部分任务上明显优于最佳基线。

预印本 · arxiv · 2610.28943

本站摘要基于收录版本 v1(2026-10-26),原始摘要与 AI 导读固定保留。

来源最近更新: · 来源 v1

摘要 · AI 翻译

蛋白质工程通常需要同时提升多项性能,这促使人们寻找能够体现有用适应度权衡的高性能序列。发现这些序列颇具挑战,因为设计空间在组合意义上极其庞大,而实验流程往往只允许进行有限几轮批量测量。我们提出 \textit{MODS},这是一个通过推理时扩散引导实现多目标蛋白质优化的模块化框架。对于每个候选方案,MODS 会采样增广的 Chebyshev 标量化权重以及适应度代理模型集成中的一个成员,以定义一个标量化引导奖励。改变权重可将生成导向不同的目标权衡,而改变集成成员则可使用于引导的预测多样化。由于 MODS 将多目标采集表示为标量奖励,它可以与不同的扩散模型及兼容的引导方法配合使用。在每一批评估之后,MODS 更新代理模型,而无需重新训练生成模型。我们在六个蛋白质优化任务上评估了 MODS,使用基于实验检测数据训练的预测型 oracle,并采用两种扩散模型和两种引导方法。MODS 在全部六个任务上均取得了具有竞争力的最终超体积,且在多个任务上大幅优于表现最好的基线方法。我们的结果展示了一种在反馈有限情况下进行多目标蛋白质优化的灵活且有效的方法。

来源:arXiv · arxiv.org