🧬 「抗がん活性があって毒性の低いペプチドを作って」という自然言語の指示だけで、分子生成モデルを目標に導けるようになりました。
タイトル: LLM-to-Flow Distillation: Teaching Natural Language Goals to Scientific Generators
URL:
分子やペプチドを生成するFlow/Diffusionモデルは優秀ですが、自然言語の目標に合わせて調整するには通常、明示的な報酬関数(プロキシ指標)が必要でした。この論文のLFDはLLMを教師、生成モデルを学生とすることでこの壁を取り払います。注目ポイントは3つです。
🎯 プロキシ報酬なしで目標に整合
LLMが生成サンプルを見ながら「今の実力で届く部分目標」を段階的に設定し、DPOで生成モデルを少しずつ目標領域へ導きます。
📊 絶対評価は不正確でも相対判定は信頼できる
LLMに1〜100点をつけさせると真値から大きくズレますが、どちらが優れているかのペア判定は一貫して信頼できることを実証し、スケーラブルなバッチ分類方式を採用しています。
🏆 既存手法を一貫して上回る実験結果
細胞貫通ペプチドでpLM4CPPsスコア69.06%(DiffusionNFTの57.04%超え)、抗がんペプチドで53.54%(Guidanceの35.94%超え)、ドパミンD2受容体ドッキングでもVinaスコア-8.48で全手法中最良を記録しました。
プロキシ報酬を用意できない実験科学の現場でこそ効くアプローチだと感じます。
#
LLM# #
AI創薬#