GraphXForm：面向计算机辅助分子设计的图变换器

生成式深度学习在药物发现、材料科学和化学工程中的分子设计中发挥了关键作用。目前广泛采用的方法是对分子的字符串表示进行预训练的神经网络，然后通过强化学习在特定目标上进行微调。然而，基于字符串的模型在确保化学有效性和强制结构约束（如特定次级结构的存在）方面面临挑战。我们提出方法，融合能够自然确保化学有效性的图基分子表示与能够高度表达和建模原子之间远程依赖关系的变换器架构。该方法通过添加原子和键来迭代修改分子图，从而确保化学有效性并促进结构约束的融入。我们提出 GraphXForm，一种解码器专用的图变换器架构，该架构在现有化合物上预训练，然后通过一种新的训练算法进行微调，该算法结合了深度交叉熵方法和自改进学习的元素。在各种药物设计任务上评估 GraphXForm，显示出在目标得分方面优于最先进的分子设计方法。此外，我们将 GraphXForm 应用于两种溶剂设计任务，用于液-液萃取，再次优于替代方法，同时灵活地强制结构约束或从现有分子结构 initiating 设计。