基于强化学习的可扩展片段式三维分子设计

机器学习有潜力实现分子设计的自动化，并极大加速新功能化合物的发现。为此，使用字符串与图表示的生成模型和强化学习（RL）已成功用于搜索新分子。然而，这些方法存在局限，因为其表示忽略了分子的三维（3D）结构。事实上，几何在许多逆向分子设计应用中起着重要作用，尤其在药物发现中。因此，构建能够基于面向性质的几何约束在三维空间中生成分子结构的模型十分重要。为此，一种方法是将分子作为三维点云通过依次在空间中的位置放置原子来生成——这使得过程可由能量或其他性质等物理量引导。然而，该方法效率低下，因为放置单个原子使探索不必要地深入，限制了可生成分子的复杂度。此外，在优化分子时，有机与药物化学家使用的是已知片段与官能团，而非单个原子。我们引入了一种新颖的RL框架用于可扩展三维设计，该框架使用分层智能体通过在三维空间中依次放置分子子结构来构建分子，从而试图建立在分子设计领域现有的人类知识之上。在使用不同子结构的多种实验中，我们表明，仅由能量考量引导的智能体能够高效学习从包括类药物分子、有机LED分子和生物分子在内的多种分布中生成具有超过100个原子的分子。