AReUReDi: Temperierte Rektifizierte Aktualisierungen zur Verfeinerung diskreter Flüsse mit Multi-Ziel-Führung
AReUReDi: Annealed Rectified Updates for Refining Discrete Flows with Multi-Objective Guidance
September 30, 2025
papers.authors: Tong Chen, Yinuo Zhang, Pranam Chatterjee
cs.AI
papers.abstract
Das Entwerfen von Sequenzen, die mehrere, oft widersprüchliche Ziele erfüllen, ist eine zentrale Herausforderung in der therapeutischen und biomolekularen Technik. Bestehende generative Frameworks arbeiten weitgehend in kontinuierlichen Räumen mit Einzelzielvorgaben, während diskrete Ansätze keine Garantien für die Pareto-Optimalität bei mehreren Zielen bieten. Wir stellen AReUReDi (Annealed Rectified Updates for Refining Discrete Flows) vor, einen diskreten Optimierungsalgorithmus mit theoretischen Garantien für die Konvergenz zur Pareto-Front. Aufbauend auf Rectified Discrete Flows (ReDi) kombiniert AReUReDi Tchebycheff-Skalarisierung, lokal ausgewogene Vorschläge und temperierte Metropolis-Hastings-Updates, um die Stichprobenziehung in Richtung Pareto-optimaler Zustände zu lenken, während die Verteilungsinvarianz erhalten bleibt. Angewendet auf das Design von Peptid- und SMILES-Sequenzen optimiert AReUReDi gleichzeitig bis zu fünf therapeutische Eigenschaften (einschließlich Affinität, Löslichkeit, Hämolyse, Halbwertszeit und Anti-Fouling) und übertrifft sowohl evolutionäre als auch diffusionsbasierte Vergleichsverfahren. Diese Ergebnisse etablieren AReUReDi als ein leistungsstarkes, sequenzbasiertes Framework für die Erzeugung von Biomolekülen mit mehreren Eigenschaften.
English
Designing sequences that satisfy multiple, often conflicting, objectives is a
central challenge in therapeutic and biomolecular engineering. Existing
generative frameworks largely operate in continuous spaces with
single-objective guidance, while discrete approaches lack guarantees for
multi-objective Pareto optimality. We introduce AReUReDi (Annealed Rectified
Updates for Refining Discrete Flows), a discrete optimization algorithm with
theoretical guarantees of convergence to the Pareto front. Building on
Rectified Discrete Flows (ReDi), AReUReDi combines Tchebycheff scalarization,
locally balanced proposals, and annealed Metropolis-Hastings updates to bias
sampling toward Pareto-optimal states while preserving distributional
invariance. Applied to peptide and SMILES sequence design, AReUReDi
simultaneously optimizes up to five therapeutic properties (including affinity,
solubility, hemolysis, half-life, and non-fouling) and outperforms both
evolutionary and diffusion-based baselines. These results establish AReUReDi as
a powerful, sequence-based framework for multi-property biomolecule generation.