AReUReDi : Mises à jour rectifiées recuites pour l'affinement de flux discrets avec guidage multi-objectif
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
La conception de séquences satisfaisant des objectifs multiples et souvent conflictuels constitue un défi central en ingénierie thérapeutique et biomoléculaire. Les cadres génératifs existants opèrent principalement dans des espaces continus avec une orientation mono-objectif, tandis que les approches discrètes manquent de garanties d'optimalité de Pareto pour plusieurs objectifs. Nous présentons AReUReDi (Annealed Rectified Updates for Refining Discrete Flows), un algorithme d'optimisation discrète doté de garanties théoriques de convergence vers le front de Pareto. S'appuyant sur les Rectified Discrete Flows (ReDi), AReUReDi combine la scalarisation de Tchebycheff, des propositions localement équilibrées et des mises à jour de Metropolis-Hastings recuitées pour orienter l'échantillonnage vers des états Pareto-optimaux tout en préservant l'invariance distributionnelle. Appliqué à la conception de séquences peptidiques et SMILES, AReUReDi optimise simultanément jusqu'à cinq propriétés thérapeutiques (incluant l'affinité, la solubilité, l'hémolyse, la demi-vie et la non-adhérence) et surpasse les approches basées sur l'évolution et la diffusion. Ces résultats établissent AReUReDi comme un cadre puissant et basé sur les séquences pour la génération de biomolécules à propriétés multiples.
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.