KI und die schwierigen Probleme der Welt · Bioengineering & synthetische Biologie · arXiv · 2026-10-21
Curriculum-erweiterte GFlowNets zur mRNA-Sequenzgenerierung
Originaltitel: Curriculum-Augmented GFlowNets For mRNA Sequence Generation
Das De-novo-Design von mRNA-Sequenzen, die Zielproteine kodieren, erfordert die Optimierung mehrerer biologischer Ziele über große kombinatorische Räume synonymer Codons – ein Szenario, in dem Reinforcement Learning unter Mode Collapse leidet und GFlowNets über lange Horizonte mit spärlichen Belohnungen konfrontiert werden. Curriculum-Augmented GFlowNets (CAGFNs) sind ein Multi-Objective-GFlowNet, das mit einem adaptiven, längenbasierten Curriculum trainiert wird, das sich am Lernfortschritt orientiert, und von zunehmend schwierigeren Aufgaben mit längeren Zielproteinen lernt. Auf CodonDesignEnv, einer neuen Umgebung auf Codon-Ebene, die die Proteinidentität durch dynamisches Action Masking bewahrt, erzielen CAGFNs eine konkurrenzfähige oder bessere Pareto-Front-Abdeckung und -Vielfalt, konvergieren bis zu 4-mal schneller als GFlowNets ohne Curriculum und bewahren im Vergleich zu RL-Baselines 100% Sequenzeinzigartigkeit.