ChemFixer: 纠正无效分子以开启先前未出现的化学空间
摘要
深度学习基于分子生成的模型在通过生成具有所需属性的潜在药物候选物来高效探索广阔化学空间方面显示出巨大的潜力。然而，这些模型常常会产生化学无效的分子，这限制了所学化学空间的可用范围，给实际应用带来严重挑战。为此，我们提出了ChemFixer，一个旨在将无效分子纠正为有效分子的框架。ChemFixer基于Transformer架构，使用遮蔽技术进行预训练，并在我们构建的大规模有效/无效分子对数据集上进行微调。通过在多样化的生成模型上进行全面评估，ChemFixer在保持原始输出化学和生物分布属性的同时提高了分子有效性。这表明ChemFixer能够恢复此前无法生成的分子，从而扩展了潜在药物候选物的多样性。此外，ChemFixer被有效应用于使用有限数据进行药物-靶点相互作用（DTI）预测任务，提高了生成配体的有效性，并发现了有前景的配体-蛋白质配对。这些结果表明，ChemFixer不仅在数据有限的场景中有效，而且可扩展到广泛的下游任务。综上所述，ChemFixer作为深入的深度学习药物发现过程中各阶段的实用工具，具有提升分子有效性和扩展可达化学空间的前景。
关键词
引用
@article{arxiv.2511.13758,
title = {ChemFixer: Correcting Invalid Molecules to Unlock Previously Unseen Chemical Space},
author = {Jun-Hyoung Park and Ho-Jun Song and Seong-Whan Lee},
journal= {arXiv preprint arXiv:2511.13758},
year = {2025}
}
备注
This is the author's preprint version of the article accepted to IEEE JBHI. Final published version: https://doi.org/10.1109/JBHI.2025.3593825. High-quality PDF (publisher version): https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=11106678. Note: Some figures may appear distorted due to arXiv's TeXLive rendering