概览
REINVENT 是命令行分子设计工具包，而非单一预测模型。其文档说明的适用范围包括从头设计、骨架跃迁、R 基替换、连接子设计和分子优化。它将生成模型与强化学习相结合，通过多组分评分引导分子生成，使其符合用户定义的性质配置。迁移学习则提供另一种途径，可根据给定的分子集调整或预训练模型。
工作流程从选择模型和运行模式开始，主要通过 TOML 配置；也支持 JSON 和 YAML。仓库提供配置示例及配套指南，并通过 Zenodo 链接公开的先验模型。用户需要根据本地安装情况调整示例文件路径。输出包括生成的分子和诊断日志；日志可写入文件或标准错误流。评分子系统还支持自定义 Python 插件，无需修改 REINVENT 的核心代码。
README 指定 Python 3.11 或更高版本，并支持 CPU 或 GPU 执行；如果未安装 GPU，会自动回退至 CPU。README 特别建议在迁移学习和模型训练时使用 GPU，同时指出许多强化学习评分组件运行在 CPU 上。关于平台验证的信息来自来源说明：Linux 被描述为经过全面验证，而 Windows 的测试较少，支持有限。使用 OpenEye 功能需要单独的许可证。来源摘录未能证实生成分子的基准测试性能或实验成功情况；因此，评估时应区分已配置的评分目标与经过独立验证的化学结果。
主要功能
- 通过多组分评分表示的用户定义性质配置，使用强化学习进行优化。
- 通过迁移学习，使生成模型面向一组输入分子进行创建或预训练。
- 文档说明支持从头设计、骨架跃迁、R 基替换、连接子设计和分子优化。
- 通过 TOML、JSON 或 YAML 配置命令行工作流，并为所有运行模式提供示例配置。
- 通过 Python 命名空间包插件扩展评分，无需修改 REINVENT 核心代码。
- 支持 CPU 和 GPU 执行，并提供用于选择设备、随机种子和日志记录的命令行控制选项。
使用场景
- 预期评估：根据项目专用的多组分性质评分评估从头分子生成，然后独立检查生成的候选分子。
- 预期评估：针对小分子研究问题，使用相应的文档模型和运行模式，比较骨架跃迁、R 基替换或连接子设计工作流。
- 预期评估：通过迁移学习使生成模型适应给定的分子集，并评估生成候选分子与该输入集的关系。
- 预期评估：通过插件机制集成项目专用的评分组件，并在将其用于优化前验证其行为。
使用方式
- 阅读官方 README，选择设计任务、模型和运行模式。在准备配置前，查看仓库中的
configs/示例及其配套 Markdown 指南。 - 按照文档中的安装流程，在隔离的 Python 环境中使用 Python 3.11 或更高版本。根据硬件，参照链接中的 PyTorch 指南选择处理器后端；README 将 uv 安装途径标注为实验性方案。
- 从 Zenodo 获取合适的公开先验模型，或查阅文档中的内部先验模型注册表。请单独核查模型条款与仓库代码许可证。
- 调整本地文件路径，并配置相应的评分配置或迁移学习输入。如果使用依赖 OpenEye 的功能，请确认其单独的许可要求。
- 通过文档说明的命令行接口运行已配置的工作流，并保留配置、随机种子和日志以供评估。检查生成的分子和评分行为；应将化学适用性作为单独的评估事项，而非已证实的结果。