AReUReDi: Geanneleerde Gecorrigeerde Updates voor het Verfijnen van Discrete Stromen met Multi-Doelstellingsbegeleiding

AReUReDi: Annealed Rectified Updates for Refining Discrete Flows with Multi-Objective Guidance

September 30, 2025

Auteurs: Tong Chen, Yinuo Zhang, Pranam Chatterjee

cs.AI

Samenvatting

Het ontwerpen van sequenties die aan meerdere, vaak conflicterende doelstellingen voldoen, is een centrale uitdaging in therapeutische en biomoleculaire engineering. Bestaande generatieve frameworks werken grotendeels in continue ruimtes met enkelvoudige doelstellingsbegeleiding, terwijl discrete benaderingen geen garanties bieden voor multi-objectieve Pareto-optimaliteit. Wij introduceren AReUReDi (Annealed Rectified Updates for Refining Discrete Flows), een discreet optimalisatie-algoritme met theoretische garanties voor convergentie naar het Pareto-front. Gebaseerd op Rectified Discrete Flows (ReDi), combineert AReUReDi Tchebycheff-scalarisatie, lokaal gebalanceerde voorstellen en geannealde Metropolis-Hastings-updates om de bemonstering te sturen naar Pareto-optimale toestanden, terwijl de distributie-invariantie behouden blijft. Toegepast op het ontwerpen van peptide- en SMILES-sequenties, optimaliseert AReUReDi gelijktijdig tot vijf therapeutische eigenschappen (waaronder affiniteit, oplosbaarheid, hemolyse, halveringstijd en niet-vervuiling) en presteert het beter dan zowel evolutionaire als op diffusie gebaseerde referentiemethoden. Deze resultaten vestigen AReUReDi als een krachtig, sequentiegebaseerd raamwerk voor de generatie van biomoleculen met meerdere eigenschappen.

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.