分子100%有效，从头设计配体，湖南大学提出基于片段的分子表征框架

编辑 | KX

分子描述符的应用与挑战

分子描述符广泛应用于分子建模。然而，在 AI 辅助分子发现领域，缺乏自然适用、完整且原始的分子表征，影响模型性能和可解释性。

t-SMILES 框架的提出

基于片段的多尺度分子表征框架 t-SMILES 解决分子表征问题。该框架使用 SMILES 类型的字符串描述分子，支持序列模型作为生成模型。

t-SMILES 的代码算法

t-SMILES 具有三种代码算法：TSSA、TSDY 和 TSID。

实验结果

实验表明，t-SMILES 模型生成分子具有 100% 理论有效性和高新颖性，优于基于 SOTA SMILES 的模型。

此外，t-SMILES 模型避免过拟合，在标记的低资源数据集上保持相似性，同时实现更高新颖性。

发表信息

该研究以「t-SMILES: a fragment-based molecular representation framework for de novo ligand design」为题，于 6 月 11 日发表在《Nature Communications》上。

论文链接：https://www.nature.com/articles/s41467-024-49388-6

基于 SMILES 的分子表征法研究

分子的有效表征是影响人工智能模型性能的关键因素。

图神经网络（GNN）因其能生成 100% 有效的分子而流行，但其表达能力受限。

简化分子线性输入规范（SMILES）作为一种线性表示法，易产生化学无效字符串。DeepSMILES 和 SELFIES 作为替代方案虽有所改进，但仍存在问题。

此外，研究表明语言模型 (LM) 在学习大型复杂分子方面可能优于大多数 GNN。最近，基于 Transformers 的 LM 已经展示了它们生成与人类书写极为相似的文本的能力。

受这些想法启发，研究者选择 SMILES 作为片段描述的起始选择，并结合先进的自然语言处理技术来处理基于片段的分子建模任务，这可以融合图模型更注重分子拓扑结构和 LM 的强大学习能力的优势。

生成 100% 有效的新分子，优于 SOTA

因此，湖南大学团队提出了一种基于碎片化分子的新型分子描述框架 t-SMILES（基于树的 SMILES）。该框架包含三种 t-SMILES 编码算法：TSSA（具有共享原子的 t-SMILES），TSDY（具有虚拟原子但不具有 ID 的 t-SMILES）和 TSID（具有 ID 和虚拟原子的 t-SMILES）。

图示：t-SMILES 算法概述（来源：论文）

新提出的 t-SMILES 框架

1. 生成无环分子树（AMT），表示碎片化的分子。
2. 将 AMT 转换为全二叉树（FBT）。
3. 对 FBT 进行广度优先遍历得到 t-SMILES 字符串。

与 SMILES 相比

t-SMILES 仅引入了两个新符号「&」和「^」，编码多尺度和分层的分子拓扑。

t-SMILES 算法

提供了一个可扩展且适应性强的框架，理论上能够支持广泛的子结构方案。

基于 t-SMILES 的模型

能够在处理详细子结构信息的同时学习高级拓扑结构信息。

多代码系统

t-SMILES 算法可以构建一个用于分子描述的多代码系统，其中：

• 经典的 SMILES 可集成作为 t-SMILES 的特例（TS_Vanilla）。
• 多个描述可以协作以提高综合性能。

  

  图示：TSSA 代码、SMILES 和 SELFIES 的 tokens 分布。（来源：论文）

首先，研究人员通过深入研究其独特的特征来系统地评估 t-SMILES。随后，使用 TSSA 和 TSDY 对两个标记的低资源数据集 JNK332 和 AID170633 进行了实验。

研究重点是 t-SMILES 及其替代品的局限性，这些局限性是通过利用标准、数据增强和预训练微调模型实现的。使用 TSDY、TSSA 和 TSID 并行评估了 ChEMBL 上的 20 个目标导向任务。还对 ChEMBL、Zinc 和 QM9 进行了彻底的实验，通过使用类似的设置比较 t-SMILES 及其替代品。此外，比较了各种基于片段的基线模型和 SOTA GNN 模型。

最后，进行了一项消融研究，以确认基于带重建的 SMILES 的生成模型的有效性。为了评估 t-SMILES 算法的适应性和灵活性，使用了四种先前发表的碎片算法来分解分子，包括 JTVAE、BRICS、MMPA 和 Scaffold。不同实验采用了三种指标：分布学习基准、目标导向基准和物理化学性质的 Wasserstein 距离指标。

详细的对比实验表明，t-SMILES 模型生成的新分子 100% 理论有效，优于基于 SOTA SMILES 的模型。与 SMILES、DSMILES 和 SELFIES 相比，t-SMILES 的整体解决方案可以避免过拟合问题，并显着提高低资源数据集上的平衡性能，无论是使用数据增强还是预训练然后微调的模型。

图示：使用 GPT 在 ZINC 上进行的分布学习基准测试的结果。 （来源：论文）

此外，t-SMILES 模型能够熟练地捕捉分子的物理化学性质，确保生成的分子与训练分子分布保持相似性。与现有的基于片段和基于图的基线模型相比，这显着提高了性能。特别是，具有目标导向重建算法的 t-SMILES 模型在面向目标的任务中比 SMILES、DSMILES、SELFIES 和 SOTA CReM 表现出明显的优势。

局限性和有待改进之处

• LLM 可以理解格式良好的英语语法。因此，是否可以学习 t-SMILES 的树结构，以及 LM 如何超越表面的统计相关性来学习分子的化学知识仍有待深入探索。
• 该研究专注于将碎片分子编码为序列，因此仅使用已发布的碎片算法作为示例来创建「化学词」。未来的研究可以利用 t-SMILES 探索其他碎片算法，更深入地解读化学句子和含义，这实际上比 NLP 更具挑战性。
• 虽然 t-SMILES 旨在提高分子描述的性能并规避 SMILES 的局限性，但该研究并未对更复杂的分子进行实验。这将是未来研究的主题。
• 最后，这是将碎片分子编码为 SMILES 类型字符串的一个有希望的开端。进一步的研究可以探索分子重建和优化的高级算法、改进的生成模型和进化技术。此外，研究可以集中在属性、逆合成和反应预测任务上。

注：封面来自网络

以上是分子100%有效，从头设计配体，湖南大学提出基于片段的分子表征框架的详细内容。更多信息请关注PHP中文网其他相关文章！