🤖 machine learning

Generative Molecular Morphing for Flexible-Size Design via Unbalanced Optimal Transport

Dieses Paper stellt Morph vor, ein generatives Modell mit flexibler Größe, das auf unbalanciertem optimalem Transport basiert und die durch feste Atome bedingten Einschränkungen aktueller Diffusionsmethoden überwindet, um eine überlegene Steuerung von Eigenschaften sowie das Design von 3D-Molekülen außerhalb der Verteilung zu ermöglichen.

Ursprüngliche Autoren: Malte Franke, Stefan P. Schmid, Zarko Ivkovic, Kjell Jorner, Andreas Krause

Veröffentlicht 2026-06-08

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Malte Franke, Stefan P. Schmid, Zarko Ivkovic, Kjell Jorner, Andreas Krause

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie sind ein Meisterarchitekt, der versucht, neue Gebäude (Moleküle) für eine Stadt zu entwerfen. In der Vergangenheit hatten die fortschrittlichsten Architekten (KI-Modelle) eine strikte Regel: Sie konnten nur Gebäude mit einer festen Anzahl von Zimmern entwerfen.

Wenn sie ein Haus bauen wollten, mussten sie im Voraus entscheiden: „Dieses Haus wird genau 4 Zimmer haben.“ Wenn sie einen Wolkenkratzer bauen wollten, mussten sie entscheiden: „Dieser Wolkenkratzer wird genau 50 Zimmer haben.“ Sie konnten nicht mit einer Skizze eines 2-Zimmer-Häuschens beginnen und dieses dann magisch in eine Villa verwandeln, noch konnten sie eine Villa zu einer Hütte schrumpfen. Sie waren an die Zimmeranzahl gebunden, mit der sie begonnen hatten.

Dieses Paper stellt einen neuen KI-Architekten namens Morph vor. Morph ist besonders, weil es sich nicht um die Anzahl der Zimmer kümmert. Es kann mit einem leeren Blatt (oder einer kleinen Skizze) beginnen und dynamisch Zimmer hinzufügen oder entfernen, während es den Bauplan zeichnet, und dabei gleichzeitig sicherstellen, dass das Gebäude stabil ist und gut aussieht.

So funktioniert Morph, unterteilt in einfache Konzepte:

1. Das Problem: Die „Feste Zimmeranzahl“-Falle

Die meisten aktuellen KI-Modelle für das Design von Molekülen sind wie diese starren Architekten. Sie gehen davon aus, dass die Anzahl der Atome (die „Zimmer“) von Anfang an feststeht.

Das Problem: Viele wichtige Eigenschaften eines Moleküls (wie etwa wie gut es sich in Fett löst oder wie stabil es ist) sind direkt mit seiner Größe verknüpft. Wenn man die Größe nicht ändern kann, kann man die KI nicht leicht dazu steuern, ein Molekül mit einer bestimmten Eigenschaft zu erschaffen.
Das Ergebnis: Wenn man ein Modell mit fester Größe bittet, ein riesiges Molekül zu entwerfen, könnte es scheitern, weil es nur auf kleine Moleküle trainiert wurde. Es ist, als würde man ein Modell, das nur Schuppen bauen kann, plötzlich bitten, eine Kathedrale zu bauen; es weiß nicht, wie es skalieren soll.

2. Die Lösung: „Morphing“ wie Knete

Morph behandelt das Design von Molekülen wie das Formen von Knete.

Der Prozess: Anstatt nur ein statisches Bild zu zeichnen, beginnt Morph mit einer groben Form. Während es das Design verfeinert, kann es:
- Einfügen: Neue Atome hinzufügen (ein neues Zimmer hinzufügen).
- Löschen: Unnötige Atome entfernen (eine Wand einreißen).
- Ersetzen: Den Typ eines Atoms ändern (eine Holztür in eine Stahltür verwandeln).
- Bewegen: Atome verschieben, damit die Struktur perfekt zusammenpasst.
Die Magie: Es erledigt all dies gleichzeitig. Es fügt nicht nur Zimmer hinzu; es ordnet das gesamte Gebäude neu an, während es gleichzeitig entscheidet, wie viele Zimmer es benötigt.

3. Das Geheimnis: „Unbalanced Optimal Transport“

Wie weiß Morph, welches Atom in der Ausgangsskizze zu welchem Atom im fertigen Molekül gehört, besonders wenn die Zahlen nicht übereinstimmen?

Die Autoren verwenden einen mathematischen Trick namens Unbalanced Optimal Transport.

Die Analogie: Stellen Sie sich vor, Sie haben einen Haufen roter Ziegel (Ihre Ausgangsskizze) und einen Haufen blauer Ziegel (Ihr Zielentwurf). Die Haufen sind unterschiedlich groß.
Der alte Weg: Man versucht, jeden roten Ziegel perfekt einem blauen Ziegel zuzuordnen. Wenn die Haufen unterschiedlich groß sind, bricht die Mathematik zusammen.
Morphs Weg: Es sagt: „Okay, lassen Sie uns so viele Ziegel wie möglich zusammenbringen. Für die zusätzlichen blauen Ziegel werden wir sie einfach aus dem Nichts erschaffen (Einfügung). Für die überschüssigen roten Ziegel werden wir sie einfach verwerfen (Löschung).“
Dies ermöglicht es der KI, nahtlos von einer kleinen, unordentlichen Skizze zu einem perfekten, komplexen Molekül überzugehen, selbst wenn die Ausgangs- und Endgrößen völlig unterschiedlich sind.

4. Was Morph kann (Die Ergebnisse)

Das Paper testet Morph bei zwei Hauptaufgaben:

Design von Grund auf (De-novo-Design): Morph kann ebenso valide, stabile Moleküle erstellen wie die besten Modelle mit fester Größe. Es opfert keine Qualität für die Flexibilität.
Steuerung des Designs (Steering): Hier glänzt Morph.
- Szenario: Sie möchten ein Molekül, das sehr „ölig“ ist (hohe Lipophilie). Normalerweise sind ölige Moleküle größer.
- Festes Modell: Wenn Sie ein Modell mit fester Größe bitten, ein großes öliges Molekül zu bauen, und es nur auf kleine Moleküle trainiert wurde, könnte es abstürzen oder Müll produzieren.
- Morph: Sie sagen ihm: „Baue mir ein öliges Molekül.“ Morph erkennt: „Okay, um ölig zu sein, muss ich größer sein“, und es fügt während des Generierungsprozesses mehr Atome hinzu. Es erstellt erfolgreich Moleküle, die 40 % größer sind als alles, was es in seinen Trainingsdaten gesehen hat.
Scaffold Decoration: Stellen Sie sich vor, Sie haben eine bestimmte Lego-Basis (ein „Scaffold“) und möchten eine einzigartige Struktur darauf bauen. Morph kann diese Basis nehmen und intelligent die richtigen Teile hinzufügen, um das Molekül zu vervollständigen, während andere Modelle Schwierigkeiten haben, die Größe der Struktur zu ändern, während die Basis intakt bleibt.

5. Der Haken (Einschränkungen)

Das Paper ist ehrlich über die Nachteile:

Es ist schwieriger zu trainieren: Da Morph lernen muss, Dinge gleichzeitig hinzuzufügen, zu löschen und zu bewegen, dauert das Training länger und benötigt mehr Rechenleistung (etwa 2,5-mal länger als einige andere Modelle).
Es ist langsamer in der Generierung: Da es viele kleine Entscheidungen treffen muss (wie das Hinzufügen eines Atoms nach dem anderen), anstatt einfach nur ein festes Bild zu zeichieren, braucht es mehr Schritte, um ein einzelnes Molekül fertigzustellen.

Zusammenfassung

Morph ist ein neues KI-Werkzeug, das die „feste Größen“-Regel beim molekularen Design durchbricht. Anstatt an einer vorbestimmten Anzahl von Atomen festgehalten zu sein, kann es Moleküle während des Prozesses wachsen und schrumpfen lassen. Dies ermöglicht es Wissenschaftlern, nach Molekülen mit spezifischen Eigenschaften (wie Größe oder Löslichkeit) zu fragen, und die KI die richtige Anzahl an Atomen berechnen zu lassen, um dies umzusetzen – was den Weg für die Entdeckung völlig neuer Arten von Chemikalien ebnet, die vorherige KI-Modelle nicht erreichen konnten.

Technische Zusammenfassung: Generatives molekulares Morphing für flexible Größen-Designs mittels Unbalanced Optimal Transport

1. Problemstellung

Aktuelle generative Modelle für das 3D-Moleküldesign, insbesondere Diffusions- und Flow-basierte Ansätze, stehen vor einer kritischen algorithmischen Einschränkung: Sie operieren auf einer festen Anzahl von Atomen ( $n$ ). Diese Beschränkung verhindert, dass die Modelle die gemeinsame Verteilung von molekularen Eigenschaften und der Molekülgröße lernen. Da viele chemische Eigenschaften intrinsisch mit der Anzahl der Atome verknüpft sind, schränkt das Fixieren der Größe die Ausdrucksfähigkeit eines Modells künstlich ein. Folglich haben diese Modelle Schwierigkeiten, komplexe Beziehungen zwischen Struktur und Eigenschaften zu navigieren, können strukturelle Priors (wie Scaffolds) nicht effektiv integrieren und können keine validen Moleküle außerhalb der Trainingsverteilung (OOD) hinsichtlich der Größe generieren.

2. Methodik

Die Autoren führen Morph ein, ein flexibles Größen-generatives Modell für geometrische Graphen, das die Anzahl der Knoten (Atome) während des Generierungsprozesses dynamisch anpasst. Die Methodik integriert kontinuierliche Dynamiken mit diskreten Sprüngen, formuliert als Jump-Flow-Prozess.

Kernkomponenten:

Zustandsraum: Das Modell operiert auf einem Zustandsraum $\mathcal{G}$ , der als disjunkte Vereinigung von Quotientenräumen für geometrische Graphen variierender Größen definiert ist, wobei $SE(3)$ (Translation/Rotation) und $S_n$ (Permutation) Symmetrien berücksichtigt werden.
Generative Dynamik: Der Prozess kombiniert:
1. Kontinuierlichen Flow: Gesteuert durch ein Geschwindigkeitsfeld $v_t$ , das die Positionen der Atome bewegt.
2. Diskrete Sprünge: Gesteuert durch einen Continuous-Time Markov Chain (CTMC) mit der Ratendichte $u_t$ , der Knoten-Insertion, -Deletion und -Typ-Substitution ermöglicht.
Training via Conditional Generator Matching (CGM): Um die Unberechenbarkeit des marginalen Generators zu umgehen, verwendet das Modell CGM. Es lernt, die konditionale Geschwindigkeit und die Sprungraten entlang von Pfaden zwischen gepaarten Endpunkten $(g_0, g_1)$ zu regredieren, wobei $g_0$ ein Prior-Graph und $g_1$ ein Zielmolekül ist.
Unbalanced Optimal Transport (UOT) zur Ausrichtung: Eine zentrale Innovation ist die Verwendung von UOT, um geometrische Graphen unterschiedlicher Größen ( $n_0 \neq n_1$ $n_{0} \neq = n_{1}$ ) auszurichten, bevor Interpolationspfade definiert werden.
- Das UOT-Ziel minimiert eine Kostenfunktion, die Transportkosten, Massen-Deletions-Strafen ( $w_{del}$ ) und Massen-Insertions-Strafen ( $w_{ins}$ ) beinhaltet.
- Die Kosten für Kanten-Edits werden auf Null gesetzt, was durch die Fähigkeit gerechtfertigt wird, die Bindungstopologie aus der 3D-Struktur und Valenz abzuleiten.
- Der resultierende Transportplan wird mittels des Hungarian-Algorithmus auf einem augmentierten Raum diskretisiert, um exakte Edit-Sets (Matches, Insertionen, Deletionen) zu bestimmen.
- Die korrespondierenden Positionen werden mittels des Kabsch-Algorithmus rotationsgesteuert ausgerichtet, um $SE(3)$-Invarianz zu gewährleisten.
Interpolationspfade: Basierend auf dem UOT-Matching definiert das Modell konditionale Wahrscheinlichkeitspfade für drei Modalitäten:
- Matched Nodes: Positionen folgen einem Gaußschen Pfad; Typen folgen einem Scheduler.
- Insertion Nodes: Knoten werden zu spezifischen Ereigniszeiten gesampelt, wobei die Positionen aus einer Gaußschen Verteilung mit Zentrum am Zielwert gezogen werden.
- Deletion Nodes: Knoten persistieren bis zu einer spezifischen Ereigniszeit, nach der sie und ihre Kanten entfernt werden.
Verlustfunktion: Das Trainingsziel minimiert eine Bregman-Divergenz zwischen vorhergesagten und Ziel-konditionalen Generatoren, bestehend aus Termen für Bewegung (MSE), Substitution (Cross-Entropy), Insertion (Poisson NLL und GMM), Deletion (Binary Cross-Entropy) und Ladungsvorhersage.

3. Wichtigste Beiträge

Erweiterung auf 3D-geometrische Graphen: Die Arbeit erweitert Techniken zur flexiblen Sequenzgenerierung auf 3D-geometrische Graphen und ermöglicht so die nahtlose Integration struktureller Priors (z. B. Scaffolds) in den generativen Prozess.
UOT-basierter Matching-Algorithmus: Die Autoren schlagen einen Matching-Algorithmus vor, der auf Unbalanced Optimal Transport basiert, um geometrische Graphen unterschiedlicher Größen auszurichten, um Ziel-Wahrscheinlichkeitspfade für das Training zu definieren und die trans-dimensionale Natur des Problems zu handhaben.
Verbesserte Steuerbarkeit und OOD-Generierung: Das Paper zeigt, dass Morph bei der unbedingten Generierung (unconditional generation) mit State-of-the-Art (SOTA) Modells mit fester Größe mithalten kann, während es eine überlegene Eigenschafts-Steuerbarkeit bietet. Entscheidend ist, dass es eine erfolgreiche Out-of-Distribution (OOD) Generierung in Regimen (z. B. größere Molekülgrößen) ermöglicht, in denen vorherige Modelle versagen.

4. Ergebnisse

De-novo-Design: Auf dem QM9-Datensatz erreicht Morph kompetitive Metriken (Atomstabilität, Molekülstabilität, Validität, Unizität) im Vergleich zu SOTA-Modellen mit fester Größe (FlowMol, MiDi, EQGAT-diff, SemlaFlow), oft bei gleicher oder geringerer Anzahl an Funktionsauswertungen (NFE). Es schneidet auch beim komplexeren GEOM-Drugs-Datensatz gut ab.
Eigenschafts-Steuerung (Property Steering):
- Größen-Konditionierung: Wenn das Modell auf Atomzahlen konditioniert wird, die signifikant über der Trainingsverteilung liegen (OOD), behält Morph eine hohe Validität bei und generiert Moleküle mit bis zu 40 % mehr Atomen als das größte Beispiel im Training. Modelle mit fester Größe versagen in diesem Regime.
- LogP-Konditionierung: Das Modell steuert erfolgreich die Größe der generierten Moleküle basierend auf dem Logarithmus des Verteilungskoeffizienten (logP), wobei es die Größen-Marginalverteilung des Trainings rekonstruiert und valide Moleküle in Bereichen mit geringer Unterstützung oder OOD-logP generiert.
Scaffold-Dekoration: In einer Lead-Optimierungsaufgabe erweitert Morph kleine chemische Scaffolds erfolgreich zu vollständigen Molekülen, während der Kern der Substruktur erhalten bleibt, wobei eine hohe Validität und Unizität erreicht wird.

5. Bedeutung und Ansprüche

Das Paper behauptet, dass Morph ein fundamentales Problem aktueller generativer molekularer Designs adressiert: die Unfähigkeit, die Molekülgröße während der Generierung anzupassen. Durch das Lernen der gemeinsamen Verteilung von Größe und Eigenschaften ermöglicht Morph:

Beispiellose Sampling-Flexibilität: Die Fähigkeit, Moleküle variierender Größen aus einem einzigen Modell zu generieren.
Verbessertes Entdeckungspotenzial: Die Kapazität, chemische Räume außerhalb der Trainingsverteilung (OOD) zu explorieren, was für die Entdeckung neuartiger Moleküle mit spezifischen, bisher ungesehenen Eigenschaften essenziell ist.
Integration struktureller Priors: Die Fähigkeit, Scaffolds als Startpunkte für eine flexible Expansion zu nutzen, was eine häufige Anforderung in der Wirkstoffforschung darstellt.

Die Autoren räumen Einschränkungen ein, darunter erhöhte Trainingskosten aufgrund kombinatorischer Komplexität, die Notwendigkeit von mehr Epochen, um SOTA-Leistung zu erreichen, und die derzeitige Abhängigkeit von hohen Integrationsschritten aufgrund der CTMC-Natur des Modells. Sie positionieren Morph als vielversprechenden Baustein zur Beschleunigung der Entdeckung in den chemischen Wissenschaften, insbesondere für Aufgaben, die eine flexible Größen-Generierung erfordern.