康奈尔大学尤峰崎教授CEJ综述: 深度学习辅助逆向分子设计

通过计算方法发现卓越的分子解决方案对于创新技术及其在解决紧迫的资源、健康和环境问题中的作用至关重要。尽管时间跨度很短，但深度学习在逆向分子设计中的协同应用已经超过了数十年的理论努力，有望改变当前的分子设计范式。

在此，美国康奈尔大学尤峰崎教授等人概述了计算逆向分子设计的要素，并就当前的局限性和突出的挑战提出了看法。原则上，逆向分子设计可以分解为三个部分，每个部分都体现了一种决策或建模方法，包括选择合适的分子表示、相关的属性数据和模型及用于搜索候选分子的设计方法。

首先，作者根据图神经网络（GNN）和卷积神经网络（CNN）在表达图形和3D网格方面的发展，讨论了超越二维分子表示的局限性。作者还分析了用知识图谱（KG）来丰富这种表示，以纳入化学中现有的信息和明确的关系。

其次，鉴于属性数据的缺乏，作者研究了化学文本挖掘和量子化学计算，并以实验数据和计算数据补充现有数据集。此外，迁移学习被认为是一种利用相关属性模式并跨这些模式迁移内隐知识的策略，从而增加当前属性数据和预测模型的大小和准确性。

图1. 改善当前分子表示的三种有希望的途径

最后，作者强调了生成模型和强化学习（RL）的优点、缺陷和进步，以改进表示学习并更好地管理集成其他设计考虑的复杂性。此外，作者还指出了使用主动学习（AL）以降低分子设计中实验和计算操作的成本的必要性。这些深度学习方法不仅优化了计算成本，而且优化了实验和仿真工作。

更重要的是，几何感知方法、符号表示和推理及不确定性估计方面的新兴深度学习进展也很好地促进了逆向分子设计。同时，领域知识和协作解决问题对于促进逆向分子设计的变革性进展至关重要。总之，这项研究提出的讨论旨在促进通用逆向设计框架的进展和跨学科合作，并为变革性和有影响力的成果提供了有希望的方向。

图2. 深度学习辅助逆向分子设计的最新发展

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