KX

应用和挑战分子描述符

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、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

框架的多尺度分子表征基于片段 t-SMILES 解决分子表征问题。使用该框架 SMILES 字符串描述分子的类型，支持序列模型作为生成模型。

t-SMILES 的代码算法

t-SMILES 有三种代码算法：TSSA、TSDY 和 TSID。

实验结果

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

此外，t-SMILES 模型避免过度拟合，在标记的低资源数据集中保持相似性，同时实现更高的新颖性。

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 分子表征法研究

影响人工智能模型性能的关键因素是分子的有效表征。

图神经网络（GNN）因其能生成 100% 有效的分子很受欢迎，但它们的表达能力有限。

简化分子线性输入规范（SMILES）化学无效字符串作为一种线性表达方式，容易产生。DeepSMILES 和 SELFIES 虽然作为替代方案有所改进，但仍存在问题。

此外，研究表明，语言模型 (LM) 学习大型复杂分子可能比大多数复杂分子好 GNN。最近，基于 Transformers 的 LM 它们生成与人类写作非常相似的文本的能力已经显示出来。

受这些想法的启发，研究人员选择 SMILES 作为片段描述的起始选择，基于片段的分子建模任务可以结合先进的自然语言处理技术进行处理，集成图形模型更注重分子拓扑结构和 LM 学习能力强的优势。

生成 100% 优于有效的新分子 SOTA

因此，湖南大学团队提出了基于碎片化分子的新分子描述框架 t-SMILES（基于树的 SMILES）。该框架包括三种 t-SMILES 编码算法：TSSA(有共享原子的 t-SMILES），TSDY(具有虚拟原子但不具有虚拟原子 ID 的 t-SMILES）和 TSID（具有 ID 以及虚拟原子 t-SMILES）。

图示：t-SMILES 算法概述(来源:论文)

新提出的 t-SMILES 框架

1. 产生无环分子树（AMT），表示碎片化分子。
2. 将 AMT 转化为全二叉树（FBT）。
3. 对 FBT 优先考虑广度 t-SMILES 字符串。

与 SMILES 相比

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

t-SMILES 算法

理论上，它提供了一个可扩展、适应性强的框架，可以支持广泛的子结构方案。

基于 t-SMILES 的模型

学习先进的拓扑结构信息，同时处理详细的子结构信息。

多代码系统

t-SMILES 该算法可以构建一个用于分子描述的多代码系统：

• 经典的 SMILES 可集成作为 t-SMILES 的特例（TS_Vanilla）。
• 为了提高综合性能，可以进行多种描述。
  图示：TSSA 代码、SMILES 和 SELFIES 的 tokens 分布(来源:论文)

首先，研究人员通过对其独特特征的深入研究进行系统的评价 t-SMILES。随后，使用 TSSA 和 TSDY 对于两个标记的低资源数据集 JNK332 和 AID170633 实验进行了。

研究重点是 t-SMILES 这些限制是通过使用标准、数据增强和预训练微调模型来实现的。使用 TSDY、TSSA 和 TSID 并行评估了 ChEMBL 上的 20 目标导向任务。还对 ChEMBL、Zinc 和 QM9 通过使用类似的设置比较，进行了彻底的实验 t-SMILES 及其替代品。另外，对各种基于片段的基线模型进行了比较 SOTA GNN 模型。

最后，为了确认基于带重建的消融研究 SMILES 生成模型的有效性。为了评估 t-SMILES 该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。不同的实验采用了分布学习基准、目标导向基准和物理化学性质三个指标 Wasserstein 距离指标。

详细的对比实验表明，t-SMILES 由模型产生的新分子 100% 理论有效，优于基础 SOTA SMILES 的模型。与 SMILES、DSMILES 和 SELFIES 相比，t-SMILES 无论是使用数据增强还是预训练，微调模型，整体解决方案都能避免过拟合问题，显著提高低资源数据集的平衡性能。

图示：使用 GPT 在 ZINC 分布式学习基准测试的结果。(来源:论文)

此外，t-SMILES 模型能熟练捕捉分子的物理化学性质，保证生成的分子与训练分子的分布相似。与现有的基于片段和基于图的基线模型相比，这显著提高了性能。特别是，具有目标导向的重建算法 t-SMILES 模型在面向目标的任务中比较 SMILES、DSMILES、SELFIES 和 SOTA CReM 表现出明显的优势。

局限性和需要改进的地方

• LLM 以良好的格式理解英语语法。因此，你能学习吗？ t-SMILES 树结构，还有 LM 如何超越表面统计相关性来学习分子的化学知识还有待深入探索。
• 本研究专注于将碎片分子编码成序列，因此仅以已发布的碎片算法为例创建「化学词」。可以利用未来的研究 t-SMILES 探索其他碎片化算法，对化学句子和意义进行更深入的解释，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，避免 SMILES 但这项研究并没有对更复杂的分子进行实验。这将是未来研究的主题。
• 最后，将碎片分子编码成 SMILES 类型字符串是一个有希望的开始。进一步的研究可以探索先进的算法、改进的生成模型和分子重建和优化的进化技术。此外，研究还可以集中在属性、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，配体从零开始设计。湖南大学提出了基于片段的分子表征框架的详细内容。更多信息请关注其他相关文章！

p