כתבה
arXiv cs.AI ·
FRAGMENTA: פריצת דרך בדורג' דיסקברי: גנרציה סופר-סמווית של מולקולות תרופתיות
FRAGMENTA: Efficient End-to-end Fragmentation-based Generative Model with Agentic Tuning for Drug Lead Optimization in Small Data Regime
FRAGMENTA היא פריצת דרך בדורג' דיסקברי שמשתמשת בגנרציה סופר-סמווית לאופטימיזציה של מולקולות תרופתיות בתנאי נתונים קטנים. המאמר מציג פרקטיקה חדשנית של גנרציה של מולקולות תרופתיות באמצעות גנרציה סופר-סמווית, ומציע פתרון חדשני לבעיית האופטימיזציה של מולקולות תרופתיות בתנאי נתונים קטנים.
תקציר מקורי באנגליתarXiv:2511.20510v3 Announce Type: replace Abstract: Molecule generation from extremely limited training data is a key challenge in drug discovery. Existing fragment-based methods are more suitable than atom-based approaches in this regime, but typically optimize fragment selection separately from downstream generation. Expert feedback is also especially valuable with limited data, yet translating such feedback into model objectives usually requires AI engineering expertise. We introduce FRAGMENTA, an end-to-end framework for small-data drug lead optimization with two components: (1) LVSEF, a fragment-based generator that jointly optimizes fragmentation and generation through a tabular reward-update mechanism, and (2) an agentic system that converts conversational expert feedback into updat
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית