通過計算方法發(fā)現(xiàn)卓越的分子解決方案對于創(chuàng)新技術(shù)及其在解決緊迫的資源、健康和環(huán)境問題中的作用至關(guān)重要。盡管時間跨度很短，但深度學(xué)習(xí)在逆向分子設(shè)計中的協(xié)同應(yīng)用已經(jīng)超過了數(shù)十年的理論努力，有望改變當(dāng)前的分子設(shè)計范式。

在此，美國康奈爾大學(xué)尤峰崎教授等人概述了計算逆向分子設(shè)計的要素，并就當(dāng)前的局限性和突出的挑戰(zhàn)提出了看法。原則上，逆向分子設(shè)計可以分解為三個部分，每個部分都體現(xiàn)了一種決策或建模方法，包括選擇合適的分子表示、相關(guān)的屬性數(shù)據(jù)和模型及用于搜索候選分子的設(shè)計方法。

首先，作者根據(jù)圖神經(jīng)網(wǎng)絡(luò)（GNN）和卷積神經(jīng)網(wǎng)絡(luò)（CNN）在表達(dá)圖形和3D網(wǎng)格方面的發(fā)展，討論了超越二維分子表示的局限性。作者還分析了用知識圖譜（KG）來豐富這種表示，以納入化學(xué)中現(xiàn)有的信息和明確的關(guān)系。

其次，鑒于屬性數(shù)據(jù)的缺乏，作者研究了化學(xué)文本挖掘和量子化學(xué)計算，并以實驗數(shù)據(jù)和計算數(shù)據(jù)補(bǔ)充現(xiàn)有數(shù)據(jù)集。此外，遷移學(xué)習(xí)被認(rèn)為是一種利用相關(guān)屬性模式并跨這些模式遷移內(nèi)隱知識的策略，從而增加當(dāng)前屬性數(shù)據(jù)和預(yù)測模型的大小和準(zhǔn)確性。

圖1. 改善當(dāng)前分子表示的三種有希望的途徑

最后，作者強(qiáng)調(diào)了生成模型和強(qiáng)化學(xué)習(xí)（RL）的優(yōu)點、缺陷和進(jìn)步，以改進(jìn)表示學(xué)習(xí)并更好地管理集成其他設(shè)計考慮的復(fù)雜性。此外，作者還指出了使用主動學(xué)習(xí)（AL）以降低分子設(shè)計中實驗和計算操作的成本的必要性。這些深度學(xué)習(xí)方法不僅優(yōu)化了計算成本，而且優(yōu)化了實驗和仿真工作。

更重要的是，幾何感知方法、符號表示和推理及不確定性估計方面的新興深度學(xué)習(xí)進(jìn)展也很好地促進(jìn)了逆向分子設(shè)計。同時，領(lǐng)域知識和協(xié)作解決問題對于促進(jìn)逆向分子設(shè)計的變革性進(jìn)展至關(guān)重要。總之，這項研究提出的討論旨在促進(jìn)通用逆向設(shè)計框架的進(jìn)展和跨學(xué)科合作，并為變革性和有影響力的成果提供了有希望的方向。

圖2. 深度學(xué)習(xí)輔助逆向分子設(shè)計的最新發(fā)展

Deep learning to catalyze inverse molecular design, Chemical Engineering Journal 2022. DOI: 10.1016/j.cej.2022.136669