基于 Transformer 的化合物功能基替换自动化方法
机器学习
2026-01-14 v1
摘要
功能基替换是化学信息学中实现设计具有可调属性的新型化合物的关键方法。传统的功能基去除和替换方法通常依赖基于规则的启发式方法，这些方法在生成多样化和新颖化学结构方面有限。最近，基于 Transformer 的模型在提高分子转换的准确性和效率方面显示出前景，但现有方法通常仅关注单步建模，缺乏结构相似性的保证。本文通过开发一种新型的两阶段 Transformer 模型来实现功能基的去除和追加，以推动该领域的技术进步。与一次性生成整个分子的方法不同，我们的方法依次生成待去除和追加的功能基，从而确保严格的次级结构级别的修改。我们使用来源于 ChEMBL 的匹配分子对 (MMPs) 数据集训练了一个带有 SMIRKS 表示的编码器-解码器 Transformer 模型，以有效捕获转换规则。广泛的评估表明，我们的方法能够生成化学上有效的转换，探索多样化的化学空间，并在不同搜索规模下保持可扩展性。
关键词
引用
@article{arxiv.2601.07930,
title = {Transformer-Based Approach for Automated Functional Group Replacement in Chemical Compounds},
author = {Bo Pan and Zhiping Zhang and Kevin Spiekermann and Tianchi Chen and Xiang Yu and Liying Zhang and Liang Zhao},
journal= {arXiv preprint arXiv:2601.07930},
year = {2026}
}
备注
The 2nd AAAI Workshop on Foundation Models for Biological Discoveries at AAAI 2025