Saturn: Diseño Molecular Generativo Eficiente en Muestras mediante Manipulación de Memoria

El diseño molecular generativo para el descubrimiento de fármacos ha logrado muy recientemente una ola de validación experimental, siendo las arquitecturas basadas en lenguaje las más comunes. El factor más importante para el éxito posterior es si un oráculo in silico está bien correlacionado con el punto final deseado. Para ello, los métodos actuales utilizan oráculos proxy más baratos con mayor rendimiento antes de evaluar el subconjunto más prometedor con oráculos de alta fidelidad. La capacidad de optimizar directamente oráculos de alta fidelidad mejoraría grandemente el diseño generativo y se esperaría que aumentara las tasas de éxito. Sin embargo, los modelos actuales no son lo suficientemente eficientes para considerar tal posibilidad, ejemplificando el problema de eficiencia en muestras. En este trabajo, presentamos Saturn, que aprovecha el algoritmo Augmented Memory y demuestra la primera aplicación de la arquitectura Mamba para el diseño molecular generativo. Explicamos cómo la repetición de experiencia con aumento de datos mejora la eficiencia en muestras y cómo Mamba explota sinérgicamente este mecanismo. Saturn supera a 22 modelos en tareas de optimización multiparamétrica relevantes para el descubrimiento de fármacos y puede poseer suficiente eficiencia en muestras para considerar la posibilidad de optimizar directamente oráculos de alta fidelidad.