연구진이 제한된 예산으로 분자 공간을 탐색하는 분자 최적화 문제를 해결하기 위해 Sample Efficient Generative Optimization(SEGO) 프레임워크를 개발했어요. SEGO는 베이즈 최적화에 적응적으로 생성된 분자를 활용하여 기존 방법 대비 1/10 수준의 오라클 호출로 PMO 벤치마크에서 최고 성능을 달성했어요.
SEGO 프레임워크는 확률적 대리 모델을 통해 유망한 분자 영역을 예측하고, 생성 모델을 조정하여 후보를 제안하며, 획득 함수를 통해 가장 유망한 후보를 선택하는 방식으로 작동해요. 이 과정에서 오라클 호출 결과는 대리 모델을 개선하고 생성기를 실제 보상에 고정하는 데 사용돼요.
SEGO는 다중 매개변수 도킹 작업에서 기존 접근 방식의 약 절반의 오라클 호출로 10개의 히트를 달성했으며, 이는 분자 최적화 연구의 효율성을 크게 향상시키는 결과를 보여줘요.