Newest papers

MFG: Multi-turn Feedback Guided Molecular Optimization

Trieu Nguyen, Frazier N. Baker, Ruoxi Gao, Daniel Adu‐Ampratwum, Xia Ning · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.18851 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Tối ưu hóa phân tử đa mục tiêu là một quá trình quan trọng trong khám phá thuốc nhằm mục đích sửa đổi một phân tử nhất định để đồng thời cải thiện nhiều thuộc tính trong khi duy trì cấu trúc tổng thể tương tự. Quá trình này thường đòi hỏi các thay đổi lặp đi lặp lại được hướng dẫn bởi phản hồi tính toán hoặc thực nghiệm. Các phương pháp dựa trên mô hình ngôn ngữ lớn (LLM) gần đây đã bắt đầu khám phá phương pháp lặp đi lặp lại này; tuy nhiên, các phương pháp này không được đào tạo rõ ràng để khai thác phản hồi như vậy, trong khi các phương pháp hiện có chủ yếu tập trung vào tối ưu hóa phân tử đơn lặp. Để giải quyết khoảng cách này, chúng tôi giới thiệu tối ưu hóa phân tử Multi-turn Feedback Guided (MFG), một khuôn khổ học tập củng cố trên mô hình đa phân tử cao hơn $$$

Machine translation (Meta M2M100); the English original follows.

Abstract

Multi-objective molecular optimization is a critical process in drug discovery that aims to modify a given molecule to simultaneously improve multiple properties while maintaining a similar overall structure. This process often requires iterative modifications guided by computational or experimental feedback. Recent large language model (LLM)-based methods have begun to explore this iterative approach; however, these methods are not explicitly trained to leverage such feedback, while existing approaches primarily focus on single-turn molecular optimization. To address this gap, we introduce Multi-turn Feedback Guided (MFG) molecular optimization, a reinforcement learning framework that trains an LLM to progressively optimize molecules using feedback from previous turns. MFG introduces a feedback vector capturing both property improvements and source molecule similarity, alongside a feedback-aligned reward function that promotes progressive improvement across turns. We apply MFG over $\text{GeLLM}^{3}\text{O}$, a state-of-the-art LLM model for multi-objective molecular optimization, evaluate $\text{GeLLM}^{3}\text{O-MFG}$ on ten multi-objective molecular optimization tasks. The results demonstrate that $\text{GeLLM}^{3}\text{O-MFG}$ achieves the highest average similarity-constrained success rate ($81.50%$), outperforming the base model $\text{GeLLM}^{3}\text{O}$ ($70.81%$).

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Computer science, Leverage (statistics), Process (computing), Reinforcement learning, Iterative and incremental development, Property (philosophy)

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange