chemical-language-models

ReMedI 采用基于 Metropolis–Hastings 的推理时搜索策略，让冻结的化学语言模型在多目标药物先导化合物优化中提出并筛选分子编辑，再将搜索轨迹自蒸馏回基础模型，在 C-MuMOInstruct 和 SMDD 基准上以约 7.8× 更少的训练数据达到约 2.8× 于 RL 基线 C-MORAL 的严格成功率。

提出了两种互补方法，将预测不确定性融入化学语言模型的强化学习中，提高了鲁棒性，并在从头分子设计中将真实命中率提升了0.25。