De novo molecular generation with optical property preconditioning at the token level

Resumen Técnico: Generación Molecular De Novo con Precondicionamiento de Propiedades Ópticas a Nivel de Token

Planteamiento del Problema
El descubrimiento de moléculas para diodos orgánicos de emisión de luz (OLED) con propiedades ópticas específicas se ve obstaculizado por la escasez de datos experimentales de alta calidad y la limitada fiabilidad del control condicional en modelos generativos a través de diversos motivos químicos. Si bien la informática óptica ha avanzado en la predicción de propiedades a partir de estructuras moleculares, el problema del diseño inverso —generar nuevas moléculas con energías de absorción y fuerzas de oscilador específicas— sigue estando limitado. Los enfoques existentes suelen depender de grandes conjuntos de datos, carecen de una validación de alta fidelidad de la estructura electrónica (por ejemplo, la Teoría del Funcional de la Densidad Dependiente del Tiempo, TD-DFT) o evalúan el éxito únicamente mediante distribuciones agregadas en lugar de subespacios químicos. Este artículo aborda el desafío de la generación molecular condicional en un régimen realista de pocos datos, centrándose en si el precondicionamiento a nivel de token puede dirigir de manera fiable la generación de candidatos para OLED hacia objetivos ópticos específicos evaluados al nivel de TD-DFT.

Metodología
Los autores proponen un flujo de trabajo de modelo de lenguaje autorregresivo condicionado por tokens basado en GPT-2, estructurado en tres etapas de entrenamiento distintas:

1. Preentrenamiento de Lenguaje Químico: El modelo se preentrena en la biblioteca ChEMBL para aprender la gramática de SMILES y estructuras moleculares válidas sin etiquetas de propiedades.
2. Preentrenamiento de Propiedades: El modelo se entrena en un gran conjunto de datos de OLED computacional (460,205 moléculas) donde las propiedades ópticas continuas se discretizan en tokens. Específicamente, la energía de absorción vertical ($\Delta E_{S0 \to S1}$), la fuerza de oscilador ($f_{S0 \to S1}$) y la brecha HOMO–LUMO se agrupan (binning) y se anteponen a las cadenas SMILES como tokens especiales. Los embeddings posicionales se ponen a cero en estas posiciones de token para tratarlos como señales de condicionamiento global en lugar de elementos secuenciales.
3. Ajuste Fino Multitarea (Multi-Task Fine-Tuning): El modelo se ajusta finamente en un conjunto de datos curado más pequeño (~41,500 moléculas) con etiquetas de alta calidad y consistencia obtenidas mediante TD-DFT (calculadas al nivel $\omega$B97X-D3/def2-SVPD). Esta etapa emplea el Aprendizaje Multitarea de Nash para equilibrar la optimización de múltiples objetivos de propiedades y prevenir el olvido catastrófico.

Generación y Validación
Los candidatos se generan muestreando secuencias SMILES condicionadas a través de una cuadrícula de tokens de absorción y fuerza de oscilador. La biblioteca generada se somete a procesos de canonicalización y filtrado para asegurar validez y unicidad. Crucialmente, la evaluación final se realiza al nivel de TD-DFT (utilizando el funcional $\omega$B97X-D3 y el conjunto de bases def2-TZVP) para evaluar los observables de la estructura electrónica, en lugar de depender únicamente de la conformidad con el token o la proximidad a la distribución de entrenamiento.

Para analizar la capacidad de control, los autores emplean la Representación Molecular de Fragmentos Superpuestos (OFraMP) para resolver los entornos electrónicos locales. Esto permite un análisis resuelto por quimiotipos sobre cómo los motivos locales específicos influyen en la capacidad del modelo para satisfacer las restricciones conjuntas de los objetivos.

Resultados Clave

• Fidelidad Distribucional Global: La biblioteca generada reproduce el soporte de la propiedad óptica dominante de la distribución de entrenamiento (que abarca desde el infrarrojo cercano hasta el UV), pero exhibe un cambio estructural hacia pesos moleculares más bajos y menos átomos pesados. El modelo permanece en la variedad (manifold) de la propiedad óptica mientras explora andamiajes estructuralmente más compactos.
• Controlabilidad a Nivel de Token: El condicionamiento es direccionalmente efectivo; la energía de absorción mediana y la fuerza de oscilador generalmente aumentan con índices de token más altos. Sin embargo, el control no es totalmente ortogonal. El condicionamiento en una propiedad influye en la otra, lo que provoca errores de calibración. El conjunto generado muestra una anticorrelación más fuerte entre la energía de absorción y la fuerza de oscilador que el conjunto de entrenamiento, consistente con la ley de brecha de energía (energy gap law), particularmente en el régimen de baja energía (desplazado al rojo).
• Fiabilidad Dependiente del Quimiotipo: La controlabilidad depende altamente de los entornos electrónicos locales:
  • Motivos Enriquecidos: Los motivos de carbono aromático moderadamente conjugados (por ejemplo, entornos de carbono aromático de radio-2) muestran una mejora en la satisfacción de objetivos conjuntos (un aumento de 2.65x sobre la línea base). Estos entornos parecen ocupar un régimen electrónico de ajuste suave.
  • Motivos Suprimidos: Los motivos electroatractores, particularmente los nitrilos de arilo, exhiben un desplazamiento al rojo sistemático y una reducción en la controlabilidad. Las moléculas que contienen estos motivos fallan frecuentemente en cumplir los objetivos conjuntos, mostrando un desplazamiento de la media del bin de absorción de +1.75 respecto al objetivo. Esto se atribuye a perturbaciones electrónicas locales fuertes que exceden la resolución efectiva del esquema de condicionamiento por bins discretos.

Significancia y Reivindicaciones
El artículo establece un punto de referencia cuantitativo para la generación molecular condicional de OLED, demostrando que, si bien el precondicionamiento óptico por tokens es efectivo a un nivel grueso, su fiabilidad no es uniforme. Los autores afirman que la fiabilidad del modelo debe evaluarse en subespacios químicamente significativos en lugar de a través de distribuciones de propiedades agregadas únicamente.

El estudio destaca que el éxito del condicionamiento de propiedades discretas depende de si las perturbaciones electrónicas locales permanecen dentro de la resolución efectiva del esquema de condicionamiento. En consecuencia, el artículo replantea la generación molecular condicional como un problema que requiere un análisis resuelto por quimiotipos para identificar dónde el control es robusto y dónde se degrada, en lugar de ser una tarea puramente generativa. El trabajo no pretende haber resuelto el problema del diseño inverso de forma universal, sino que proporciona un marco riguroso para evaluar y comprender las limitaciones de los modelos generativos actuales en dominios químicos de alta importancia y pocos datos.