MolWorld：用于可操作分子优化的分子世界模型
机器学习
2026-05-12 v1 人工智能
摘要
药物发现中的分子优化旨在发现具有改进目标性质的分子，但实际的前驱优化往往需要不仅高的预测得分。有用的候选分子还应是可操作的：它应通过有效的局部结构转换从已知分子可达，从而可被解释为正在演化的化学系列中的一次合理修订。现有的全新分子和单分子优化方法未显式建模此类可达性，尤其是在目标分子及连接其与已知化合物的中间分子均未知时。本文将可操作分子优化表述为分子传递图的顺序扩张，其中节点为分子，边编码有效的局部转换。我们提出了MolWorld，一种分子世界模型导引的框架，将当前的分子传递图视为正在演化的搜索状态。在每一步迭代中，MolWorld选择局部锚定上下文，生成以这些上下文为条件的候选分子，评估其性质，并利用学习的世界模型更新正在演化的分子世界，通过保留可接受的候选分子并将其插入分子传递图。扩张后的分子世界随后指导后续优化。在性质优化和基于对接的任务实验中，MolWorld在保持显著更强结构连通性的同时，发现了高性质分子，支持可操作且有序的分子设计。
引用
@article{arxiv.2605.08954,
title = {MolWorld: Molecule World Models for Actionable Molecular Optimization},
author = {Yang Qiao and Bo Pan and Hao-Wei Pang and Peter Zhiping Zhang and Liying Zhang and Liang Zhao},
journal= {arXiv preprint arXiv:2605.08954},
year = {2026}
}