- 4 次围观
内容形式：摘要译文
在实验预算有限的条件下实现高效脂质设计，是计算化学与药物发现领域的核心挑战。我们提出 LEAF（Lipid Evolutionary Adaptive Framework，脂质进化自适应框架），这是一种预算匹配的评估方案，用于检验与经典基线方法相比，语言模型提议器是否能够改进组合分子搜索。该研究采用包含 30,044 个候选分子的可离子化脂质空间、一个基于实验效力标签拟合而成且参数冻结的高斯过程预言器，以及一个独立的主动学习替代模型。对四种语言模型在八个随机种子和三个数据划分上的评估表明，与遗传算法或随机搜索基线相比，语言模型没有实现显著改进。对于 Llama 8B，在采集策略选定的查询中，有 79.1% 重复了此前已在档案中评估过的分子。去除重复项后，部分数据划分上的性能差距有所缩小，但提议成本增加，并且可能导致预算无法耗尽。更大的模型能够减少重复，但尚未证明其具有优越性或等效性。探索性的评分提示和更严格的新颖性控制，在相对于遗传算法的比较中取得了正的中位数差异；然而，较宽的区间以及共享随机种子所导致的依赖性，使我们无法得出更强的结论。经验证的单测定值重新分析在数值规模较小的情况下仍保留了化学型冷启动缺陷，而探索性的期望超体积改进并未扭转这一结果。后续检验考察了提议器是否真正利用了注入的信息。这些检验包括零样本泄漏探测、仅使用排序信息的提示与思维链推理提示、分数打乱扰动、证据冲突探测，以及采用真实推理模式的提议器。结果表明，模型确实能够在可测量程度上利用所提供的信息，但并未带来相应的性能提升。LEAF 将提议质量作为实验变量加以隔离，并记录了一项具体的失败蓄意♀♀♀♀♀♀ ગંભ 天天中彩票如何
受控预算下零样本 LLM 提议者的模式。
关键词：离子化脂质 · 大语言模型 · 分子搜索 · 主动学习 · 计算药物发现 · 预算优化
原文链接：https://www.biorxiv.org/content/10.64898/2026.10.06.756984v1?rss=1