PMO-Dock：分子优化中的对接、特异性与泛化能力基准评测

arXiv:2610.19011v1 公告类型：新论文 摘要：Practical Molecular Optimization（PMO）基准规范了分子优化中的评估，但其基于简单的性质评估预言机，无法涵盖基于结构的药物设计。随着该领域转向基于对接的优化目标，评估实践逐渐缺乏统一标准，不同方法在不同对接任务上报告结果，往往既没有用于公平比较的共同协议，也没有样本效率方面的约束。为解决这一问题，我们提出 Practical Molecular Optimization for Docking（PMO-Dock），这是一套面向对接优化的基准与协议，由25项任务组成，涵盖命中化合物生成、先导化合物优化，以及一项新的特异性任务，要求在实现强靶向结合的同时惩罚脱靶相互作用。该协议将模型开发与最终评估分离：验证任务用于超参数调优，测试任务则留作最终评估，不用于开发过程。测试任务的评估在严格的预言机调用预算下进行，以反映真实的药物发现情境。我们对四种涵盖不同优化范式的高性能方法进行了基准评测，分别为 Saturn（强化学习）、GenMol（离散扩散）、Genetic-guided GFlowNet 和 ChemLlama（基于大语言模型的进化搜索）。结果表明，没有任何一种方法在所有任务上都表现最佳；对超参数迁移（跨任务和跨类别）及敏感性的进一步分析表明，迁移能力往往有限，且因方法而异，因此有必要采用针对不同方法的选择策略。该基准为评估对未见任务的泛化能力，以及在有限测试阶段预言机调用预算下的样本效率，提供了具体标准。