FragFM: Hierarchical Framework for Efficient Molecule Generation via Fragment-Level Discrete Flow Matching

Ce papier présente FragFM, un cadre hiérarchique innovant basé sur l'appariement de flux discret au niveau des fragments pour générer efficacement des graphes moléculaires avec un meilleur contrôle des propriétés, tout en introduisant le benchmark NPGen pour évaluer la génération de produits naturels.

L'essentiel

🧪 Le Problème : Construire une cathédrale brique par brique

Imaginez que vous devez construire une cathédrale magnifique (une molécule complexe, comme un médicament ou un produit naturel).

Les méthodes actuelles d'intelligence artificielle pour créer des molécules fonctionnent un peu comme un maçon qui pose une seule brique à la fois. Il doit décider : "Je pose une brique rouge ici, puis une brique bleue là, puis je relie les deux".

• Le problème : Pour une grande cathédrale, c'est lent, épuisant et il y a un risque énorme de faire une erreur. Si le maçon pose une brique de travers au début, toute la structure peut s'effondrer ou devenir chimiquement impossible (comme un mur qui flotte dans le vide). De plus, les molécules naturelles (comme celles des plantes médicinales) sont souvent très grandes et complexes, ce qui rend cette méthode "brique par brique" très inefficace.

🧩 La Solution de FragFM : Assembler des modules préfabriqués

L'équipe derrière FragFM a eu une idée brillante : au lieu de poser des briques une par une, pourquoi ne pas assembler la cathédrale avec des modules préfabriqués (des pièces de Lego complexes, des fenêtres entières, des arcs) ?

C'est le principe de FragFM :

1. Le niveau "Blocs" (Fragment) : L'IA commence par dessiner le plan de la cathédrale en utilisant de gros blocs (des fragments chimiques). Elle décide : "Ici, je mets une tour, là un portail, et ici une aile". C'est rapide et logique.
2. Le niveau "Briques" (Atome) : Une fois le plan des blocs validé, un "détective" (un auto-encodeur) vient remplir les détails. Il regarde comment les briques à l'intérieur de chaque bloc doivent s'assembler pour que tout tienne debout.

🎒 L'astuce du "Sac de Jouets Magique"

Il existe des millions de types de blocs Lego possibles. Si l'IA devait choisir parmi tous les blocs du monde à chaque étape, elle serait paralysée par le choix (trop lent).

FragFM utilise une astuce géniale appelée la "Stratégie du Sac de Fragments Stochastique" (Stochastic Fragment Bag) :

• Imaginez que vous avez une immense boîte de Lego.
• Au lieu de regarder toute la boîte, l'IA en sort un petit sac contenant quelques pièces pertinentes pour le moment.
• Elle choisit la meilleure pièce dans ce petit sac.
• Ensuite, elle vide le sac, en sort un nouveau, et continue.
• Résultat : L'IA explore l'immensité de l'univers chimique sans jamais se noyer dans la complexité. Elle est à la fois rapide et capable de créer des choses très variées.

🌿 Le Nouveau Défi : Les "Produits Naturels"

Les chercheurs ont aussi créé un nouveau terrain de jeu appelé NPGen.

• L'ancien terrain de jeu (MOSES) : C'était comme un parc d'attractions standard avec des montagnes russes simples. Les IA s'y débrouillaient bien.
• Le nouveau terrain (NPGen) : C'est une jungle dense et complexe, remplie de plantes exotiques (les produits naturels comme ceux qu'on trouve dans la forêt amazonienne). Ces plantes ont des formes bizarres, des couleurs vives et des propriétés magiques (médicinales).
• Le test : FragFM a réussi à naviguer dans cette jungle et à recréer des plantes complexes beaucoup mieux que les autres IA, qui s'y perdaient souvent.

🎛️ Le Contrôle à la Volée

Une autre force de FragFM, c'est sa capacité à obéir à des ordres précis.

• Si vous voulez une molécule qui guérit un mal de tête spécifique, vous pouvez dire à l'IA : "Je veux un bloc qui ressemble à ça".
• Grâce à sa méthode, l'IA peut orienter sa création vers ce but tout en restant solide (valide chimiquement). C'est comme si vous pouviez dire au maçon : "Construis-moi une tour, mais assure-toi qu'elle a une fenêtre orientée vers le soleil", et il le ferait sans faire tomber la tour.

🚀 En Résumé

FragFM est comme un architecte génie qui ne construit plus brique par brique, mais module par module.

• Plus rapide : Il construit des cathédrales géantes en quelques secondes.
• Plus intelligent : Il évite les erreurs de construction (molécules invalides).
• Plus créatif : Il sait naviguer dans les forêts complexes des produits naturels.

C'est une avancée majeure pour la découverte de nouveaux médicaments, car cela permet d'explorer des territoires chimiques inconnus beaucoup plus vite et plus sûrement que jamais auparavant.

Résumé technique

Voici un résumé technique détaillé du papier de recherche FragFM, présenté à la conférence ICLR 2026.

1. Problématique

La génération de graphes moléculaires de novo est cruciale pour la découverte de médicaments et de matériaux. Cependant, les modèles génératifs modernes basés sur les atomes (représentation atome par atome) rencontrent des limitations majeures :

• Problèmes d'évolutivité : La croissance quadratique du nombre d'arêtes avec la taille du graphe rend la génération de molécules grandes et complexes (comme les produits naturels) computationnellement coûteuse et inefficace.
• Prédiction des arêtes : La nature sparse des liaisons chimiques rend la prédiction précise des connexions difficile, conduisant souvent à des structures irréalistes ou à des contraintes de connectivité invalides.
• Contrôle des propriétés : Les méthodes atomiques peinent à maintenir la cohérence structurelle globale et à contrôler finement les propriétés moléculaires lors de la génération.
• Benchmarks limités : Les benchmarks existants (MOSES, GuacaMol) se concentrent sur de petites molécules synthétiques simples, ne permettant pas d'évaluer correctement la capacité des modèles à générer des produits naturels complexes, qui sont biologiquement pré-validés et structurellement riches.

2. Méthodologie : FragFM

Les auteurs proposent FragFM, un cadre hiérarchique novateur qui génère des graphes moléculaires au niveau des fragments plutôt qu'au niveau des atomes, en utilisant un appariement de flux discret (Discrete Flow Matching - DFM).

L'architecture repose sur deux stratégies clés :

A. Autoencodeur "Coarse-to-Fine" (Du grossier au fin)

Pour éviter la perte d'informations lors de la compression d'un graphe atomique vers un graphe de fragments :

1. Encodage : Un graphe atomique $G$ est décomposé en un graphe de fragments $G$ (niveau "coarse") selon des règles de fragmentation prédéfinies (ex: BRICS). Un réseau de neurones encode ensuite la paire $(G, G)$ dans un vecteur latent continu $z$. Ce vecteur $z$ capture les détails de connectivité atomique fine (liaisons entre les atomes de jonction des fragments) qui sont perdus lors de la décomposition.
2. Décodage : Le décodeur reconstruit le graphe atomique complet à partir du graphe de fragments généré et du vecteur latent $z$. Il prédit les probabilités de toutes les liaisons atomiques possibles entre les fragments adjacents et utilise l'algorithme de Blossom (appariement maximum) pour discrétiser ces scores en une connectivité atomique valide et chimiquement cohérente.

B. Stratégie de "Sac de Fragments Stochastique" (Stochastic Fragment Bag)

Pour gérer l'immense vocabulaire de fragments possibles sans devenir computationnellement prohibitif :

• Au lieu de modéliser une chaîne de Markov continue (CTMC) sur l'ensemble complet du vocabulaire de fragments $|F|$, le modèle sélectionne dynamiquement un sous-ensemble (un "sac" $B$) de fragments candidats à chaque étape de génération.
• L'apprentissage utilise une formulation Info-NCE pour approximer la distribution conditionnelle postérieure à l'intérieur de ce sac, réduisant ainsi la complexité de calcul de $O(|F|)$ à $O(N)$, où $N$ est la taille du sac.
• Cela permet au modèle de généraliser à des fragments non vus lors de l'entraînement grâce à un module d'embedding de fragments basé sur les GNN.

C. Génération et Conditionnement

• Processus : Le modèle génère d'abord le graphe de fragments (nœuds et arêtes) et le vecteur latent via un processus de flux discret et continu, respectivement.
• Guidage : Pour le conditionnement sur des propriétés (ex: score de docking, QED), FragFM utilise une guidance par classifieur combinée à un re-pesage du sac de fragments. Cela permet de diriger la sélection des fragments candidats vers ceux qui satisfont la propriété cible, offrant un contrôle plus flexible que les méthodes purement atomiques.

3. Contributions Clés

1. FragFM : Un cadre hiérarchique combinant l'appariement de flux discret au niveau des fragments et un autoencodeur "coarse-to-fine" pour une reconstruction atomique sans perte d'information.
2. Benchmark NPGen : Introduction d'un nouveau benchmark dédié à la génération de produits naturels (Natural Products). Il contient plus de 650 000 molécules, plus grandes et structurellement plus diversifiées que celles des benchmarks standards, avec des métriques spécifiques (score de similarité aux produits naturels, classification biosynthétique).
3. Performance et Efficacité : Démonstration que FragFM surpasse les modèles de l'état de l'art (diffusion et flux) en termes de validité, de diversité et de contrôle des propriétés, tout en étant beaucoup plus rapide (échantillonnage 5x plus rapide que DiGress) et robuste avec moins d'étapes de débruitage.
4. Flexibilité du Conditionnement : Preuve que le conditionnement via le sac de fragments (en plus du guideur de classifieur) offre un degré de contrôle supplémentaire unique aux approches basées sur les fragments.

4. Résultats

Les expériences ont été menées sur MOSES, GuacaMol, ZINC250k et le nouveau benchmark NPGen.

• Benchmarks Standards (MOSES/GuacaMol) : FragFM atteint une validité proche de 100 % (99,8 %) sans contraintes explicites, surpassant tous les modèles basés sur les atomes (DiGress, DeFoG, Cometh) et les modèles fragmentaires précédents (JT-VAE) sur les métriques FCD (Fréchet ChemNet Distance) et de validité.
• Benchmark NPGen : FragFM démontre une supériorité marquée sur les molécules complexes de type produit naturel. Il obtient les meilleurs scores sur les métriques orientées fonctionnalité (score de similarité aux produits naturels, KL divergence des classes biosynthétiques) tout en maintenant une validité élevée (98 %).
• Efficacité de l'échantillonnage : FragFM maintient une haute qualité même avec un nombre réduit d'étapes de débruitage (ex: 50 étapes), là où les modèles atomiques voient leur performance chuter drastiquement. Le temps de génération est considérablement réduit.
• Contrôle des propriétés : Dans les tâches de conditionnement (ex: score de docking JAK2), FragFM parvient à générer des molécules avec des propriétés cibles extrêmes tout en conservant une validité quasi parfaite, là où les modèles atomiques souffrent d'une perte massive de validité.
• Analyse de rétrosynthèse : Les molécules générées par FragFM sont plus susceptibles d'avoir des voies de synthèse réalisables (77 % de taux de résolution avec AIZynthFinder), suggérant que l'approche par fragments introduit des biais inductifs chimiquement pertinents.

5. Signification et Impact

Ce travail marque une avancée significative dans la génération de graphes moléculaires :

• Changement de paradigme : Il valide l'efficacité de revenir à une approche hiérarchique basée sur les fragments, combinée aux architectures génératives modernes (Flow Matching), pour surmonter les goulots d'étranglement de scalabilité des méthodes atomiques.
• Découverte de médicaments : En permettant la génération efficace de produits naturels complexes et en offrant un contrôle précis des propriétés, FragFM ouvre la voie à l'exploration de régions plus vastes et plus pertinentes du space chimique pour la découverte de nouveaux médicaments.
• Nouveau standard d'évaluation : Le benchmark NPGen comble un vide critique, fournissant un test plus rigoureux et pertinent pour les modèles génératifs destinés à la découverte de médicaments réels, au-delà des petites molécules synthétiques.

En résumé, FragFM propose une solution robuste, évolutive et chimiquement intelligente pour la génération de molécules, surpassant les approches actuelles tant sur la qualité des structures générées que sur l'efficacité computationnelle.