MIMOSA：面向分子优化的多约束分子采样

分子优化是加速药物发现的一项基础任务，旨在生成新的有效分子，在保持与输入分子相似性的同时最大化多种药物性质。现有生成模型与强化学习方法已取得初步成功，但在同时优化多种药物性质方面仍面临困难。为应对这些挑战，我们提出多约束分子采样（MultI-constraint MOlecule SAmpling, MIMOSA）方法，一种以输入分子为初值并从目标分布中采样分子的框架。MIMOSA 首先预训练两个与性质无关的图形神经网络（GNNs）用于分子拓扑与子结构类型预测，其中子结构可以是原子或单环。每次迭代中，MIMOSA 利用 GNNs 的预测并执行三种基本子结构操作（添加、替换、删除）来生成新分子及相应权重。权重可编码包括相似性与药物性质约束在内的多种约束，据此我们为下一次迭代筛选有潜力的分子。MIMOSA 能灵活编码多种性质与相似性约束，并可高效生成满足各类性质约束的新分子，在成功率上相较最佳基线实现了最高 49.6% 的相对提升。代码仓库（含 readme 文件、数据预处理与模型构建、评估）见 https://github.com/futianfan/MIMOSA。