基于数据与物理双驱动生成框架的多目标荧光分子设计

设计具有定制光学与物理化学性质的荧光小分子，需要在广阔且未充分探索的化学空间中导航，同时满足多重目标与约束。由于搜索效率低、机器学习预测的泛化性不可靠以及量子化学计算成本高昂，传统的“生成-评分-筛选”方法在此类现实设计规范下变得不切实际。在此，我们提出了 LUMOS，一个用于荧光分子逆向设计的数据与物理双驱动框架。LUMOS 将生成器与预测器耦合于共享的潜在表示中，实现了从设计规范直接到分子的设计及高效探索。此外，LUMOS 将神经网络与快速的含时密度泛函理论（TD-DFT）计算工作流相结合，构建了一套在速度、准确性与泛化性之间权衡互补的预测器，从而在多样场景下实现可靠的性质预测。最后，LUMOS 采用与多目标进化算法相结合的属性引导扩散模型，实现了多重目标与约束下的从头设计与分子优化。在综合基准测试中，LUMOS 在荧光性质预测的准确性、泛化性与物理合理性上始终优于基线模型，并在多目标骨架级与片段级分子优化中展现出卓越性能。使用 TD-DFT 与分子动力学（MD）模拟的进一步验证表明，LUMOS 能生成满足各种目标规范的有效荧光团。总体而言，这些结果确立了 LUMOS 作为通用荧光团逆向设计的数据与物理双驱动框架。