arXiv cs.CL· Yanyi Su, Chenyan Wang, Yulei Gong, Yeyun Chen, Xiaohui Yang, Jun Cheng·· 3 天前AI 评分27
MolHop：用智能体强化学习实现骨架跃迁的分子设计
MolHop: Scaffold-Hopping Molecular Design with Agentic Reinforcement Learning
AI 导读
MolHop 是一个跨骨架分子发现智能体框架，将约 160 万个商业分子骨架组织成由粗到细的层级动作空间，通过骨架导航与分子编辑进行长程搜索。
正文 · AI 翻译
摘要：分子设计通常被表述为在现有分子空间上的优化问题。然而，分子优化与发现结构上不同的替代分子代表着两个根本不同的搜索问题。基于 LLM 的分子设计智能体通常执行前者，即在现有结构的邻域内进行局部细化，通过结构修饰来改善目标性质。相比之下，后者需要探索更广阔的化学空间，以发现具有完全不同骨架、同时保留参考分子功能特征的分子。我们提出 MolHop，一个用于跨骨架分子发现的智能体框架，使模型能够在预先组织的化学空间中进行导航和编辑。MolHop 将来自商业分子的约 160 万个分子骨架组织成由粗到细的分层动作空间。智能体通过骨架导航动作选择新的探索区域，并通过分子编辑调整候选分子的性质。该框架维护历史轨迹记忆，以支持长时程搜索过程。在药物分子和商业化合物任务上，将 Grok-4.6 和 DeepSeek-Flash-V4.1 接入 MolHop 框架显著提高了它们的跨骨架联合成功率。我们通过智能体强化学习开发了 MolHop-9B，MolHop-9B 优于包括 GPT-5.6-sol、Claude-5-Opus 和 Gemini-3.1-Pro 在内的生成式基线，同时生成的候选分子与参考分子具有更大的骨架差异。这些结果表明，超越传统优化范式的有效分子发现需要结构化的化学空间和动作空间，使智能体能够探索新的结构区域，而不仅仅是细化现有分子。
| 评论： | 正在 ICLR 2027 审稿中 |
| 主题： | 机器学习（cs.LG）；计算与语言（cs.CL） |
| 引用为： | arXiv:2610.19920 [cs.LG] |
| （或 arXiv:2610.19920v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.19920 arXiv 颁发的 DOI，经由 DataCite（待注册） |
提交历史
来自：Yanyi Su [查看邮箱]
[v1]
2026年10月14日星期三 10:11:10 UTC（6,187 KB）
来源：arXiv cs.CL · arxiv.org