化学、生物与自动化实验室
突破级
暂无讲解视频
收录解读
肽药与功能肽发现的难点不在于候选不够多，而在于库太大、计算筛选太贵、实验预算太有限。传统 exhaustive screening 在库规模上很快失去可行性，因此真正有价值的问题是怎样在超大肽库上做可扩展的探索。
这篇论文用 reinforcement learning 和 posterior sampling 构建了一个可扩展筛选策略，在不穷举的前提下平衡 exploration 和 exploitation，并把 3600 万规模的结构化螺旋肽库压缩到可实验验证的子空间。它的亮点不是单一模型指标，而是把大库探索问题明确改写成 sequential screening policy。
这篇论文值得正式收录，因为它展示了 RL 在生物分子发现中的一个非常实用的 workflow：不是直接设计最终分子，而是先把海量候选空间变成可实验化的少量高价值样本。对 peptide discovery、molecule triage、active screening 都有方法外溢。
它没有升到更高一级，因为当前验证仍集中在特定肽库和特定生物活性场景，方法虽然强但还没有覆盖更广的分子类型或完整药物开发流程。