GP‑MOBO: Revolutionäre Mehrziel‑Bayessche Optimierung für Moleküle

Wissenschaftler haben einen neuen Algorithmus namens GP‑MOBO vorgestellt, der die Grenzen der molekularen Optimierung sprengt. Durch die Kombination von exakten Gaussian Processes mit einem schnellen, minimalen Paket kann GP‑MOBO die volle Dimensionalität sparser molekularer Fingerabdrücke nutzen, ohne dabei enorme Rechenressourcen zu beanspruchen.

Im Vergleich zu herkömmlichen Methoden wie GP‑BO erzielt GP‑MOBO konsequent bessere Ergebnisse. Die vollständige Ausnutzung der Fingerabdruckdimensionalität führt zu hochwertigeren und gültigeren SMILES‑Strukturen. Gleichzeitig ermöglicht das Modell eine breitere Erkundung des chemischen Suchraums, was sich in einer deutlich besseren Annäherung an die Pareto‑Front in allen getesteten Szenarien zeigt.

Experimentelle Tests am DockSTRING‑Datensatz belegen, dass GP‑MOBO über 20 Bayesian‑Optimierungs­schritte hinweg höhere geometrische Mittelwerte erzielt. Diese Ergebnisse unterstreichen die Effektivität und Effizienz des Ansatzes bei der Bewältigung komplexer Mehrzieloptimierungsaufgaben mit minimalem Rechenaufwand.