🤖 machine learning

Controllable Molecular Generative Foundation Models

L'article présente CoMole, un modèle fondamental génératif moléculaire contrôlable qui exploite un pipeline de diffusion graphique conscient des motifs et l'apprentissage par renforcement pour surmonter les défis liés à l'espace d'actions au niveau atomique, atteignant des performances et une validité supérieures dans diverses tâches de découverte de matériaux et de médicaments sans nécessiter de filtrage a posteriori.

Auteurs originaux : Yihan Zhu, Yuhan Liu, Weijiang Li, Tengfei Luo, Meng Jiang

Publié 2026-05-18

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Yihan Zhu, Yuhan Liu, Weijiang Li, Tengfei Luo, Meng Jiang

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous essayiez d'enseigner à un chef robot comment préparer un plat spécifique, comme une « soupe tomate épicée », mais que vous ne lui donniez des instructions qu'un grain de sel ou une goutte d'huile à la fois. Si le robot ajoute un grain de sel, puis une goutte d'huile, puis un autre grain, il pourrait accidentellement créer un désastre salé et huileux qui n'est pas du tout de la soupe. Il doit prendre des milliers de décisions minuscules et risquées avant même de savoir si le plat est comestible. C'est exactement le problème que les scientifiques rencontrent lorsqu'ils tentent d'utiliser l'IA pour concevoir de nouvelles molécules (les blocs de construction des médicaments et des matériaux).

Ce article présente un nouveau système d'IA appelé CoMole qui résout ce problème en changeant comment le robot réfléchit.

Le Problème : Le Piège « Atome par Atome »

Les modèles d'IA actuels pour la conception de molécules fonctionnent comme ce chef robot maladroit. Ils tentent de construire une molécule un seul atome à la fois (comme ajouter un carbone, puis un hydrogène).

Le Risque : Parce qu'il y a tant de petites étapes, l'IA fait souvent une petite erreur tôt dans le processus (comme connecter deux atomes d'une manière qui viole les lois de la chimie). Une fois cela arrivé, toute la molécule devient invalide, et l'IA doit recommencer depuis le début.
Le Résultat : L'IA reste bloquée. Elle tente d'apprendre à partir de récompenses (comme « cette molécule est un bon médicament »), mais au moment où elle réalise qu'elle a fait une erreur, il est trop tard. L'article appelle cela un « effondrement de la trajectoire » — l'IA tombe du précipice de la possibilité chimique avant de pouvoir remonter.

La Solution : La Stratégie « Blocs de LEGO »

Les auteurs ont réalisé que les chimistes ne pensent pas aux atomes individuels ; ils pensent à des groupes d'atomes qui fonctionnent ensemble, comme un cycle benzénique ou un groupe fonctionnel spécifique. Ils appellent ces groupes des « motifs ».

Pensez-y comme à la construction avec des LEGO :

Ancienne Méthode (Niveau atome) : Vous essayez de construire un château en collant des grains de plastique individuels ensemble. Un seul grain de travers, et le mur s'effondre.
Méthode de CoMole (Niveau motif) : Vous construisez avec des briques LEGO préfabriquées (murs, fenêtres, tours). Vous assemblez ces gros blocs stables.

CoMole est un « Modèle de Fondation » (une base intelligente pré-entraînée) qui apprend à parler le langage de ces blocs LEGO. Au lieu de décider « ajouter un carbone ici », il décide « attacher un cycle benzénique ici ».

Comment Cela Fonctionne : L'Entraînement en Trois Étapes

L'article décrit un processus d'entraînement en trois étapes pour rendre cela possible :

Pré-entraînement (La Bibliothèque) : D'abord, l'IA lit des millions de molécules existantes pour apprendre à quoi ressemblent les « blocs LEGO » valides (les motifs). Elle construit une bibliothèque mentale de structures chimiques stables.
Affinage (Le Livre de Recettes) : Ensuite, elle apprend à suivre des instructions spécifiques. Si vous dites « J'ai besoin d'une molécule qui filtre bien l'oxygène », elle apprend à organiser ses blocs LEGO pour correspondre à cet objectif.
Apprentissage par Renforcement (La Dégustation) : Enfin, l'IA joue à un jeu. Elle construit une molécule, vérifie si elle répond à l'objectif (par exemple, « Est-ce un bon médicament ? »), et reçoit un score.
- La Magie : Parce qu'elle construit avec de gros blocs LEGO plutôt qu'avec de minuscules grains, elle ne s'effondre pas aussi souvent. Elle peut apprendre de ses succès et de ses échecs beaucoup plus rapidement et plus fièrement.

Les Résultats : Meilleur, Plus Rapide et Plus Sûr

Les auteurs ont testé CoMole sur trois défis différents : concevoir de nouveaux matériaux pour des filtres à gaz, créer des polymères avec des propriétés électroniques spécifiques, et trouver de nouveaux candidats médicaments.

Contrôle : Sur les neuf tâches différentes qu'ils ont testées, CoMole a été le meilleur pour atteindre la cible. Par exemple, lorsqu'on lui a demandé de concevoir un polymère avec une perméabilité gazeuse spécifique, il était presque 50 % plus précis que la deuxième meilleure méthode.
Validité : La partie la plus impressionnante est que CoMole produit des molécules valides 94 % du temps sans avoir besoin qu'un humain corrige les erreurs par la suite. Les autres méthodes produisent souvent des molécules brisées qu'il faut jeter.
Généralisation : Même lorsqu'on lui demande de concevoir pour une propriété qu'il n'a jamais vue auparavant (comme un type spécifique d'énergie électrique), CoMole peut toujours faire du bon travail simplement en comprenant la « recette » de la tâche, sans avoir besoin de tout réapprendre depuis zéro.

La Conclusion

L'article affirme qu'en empêchant l'IA d'essayer de construire des molécules atome par atome et en lui permettant à la place de construire avec des « morceaux » pré-approuvés et chimiquement significatifs (les motifs), nous pouvons créer un système beaucoup plus fiable et contrôlable. C'est la différence entre essayer de construire une maison en empilant des grains de sable individuels versus assembler des murs et des toits préfabriqués. CoMole est le premier système à appliquer avec succès cette approche « LEGO » à un modèle de fondation d'IA à usage général pour la conception moléculaire.

Résumé technique : Modèles fondateurs génératifs moléculaires contrôlables (CoMole)

Énoncé du problème

La conception inverse moléculaire — la génération de structures possédant des propriétés fonctionnelles spécifiques — demeure un défi central dans la découverte scientifique. Bien que les récentes méthodes de diffusion sur graphes aient fait progresser la génération moléculaire, elles fonctionnent largement comme des modèles spécifiques à une tâche, avec une contrôlabilité limitée sur les propriétés cibles. Le domaine manque d'un cadre unifié capable de gérer des tâches de conception hétérogènes (couvrant la science des matériaux et la découverte de médicaments) avec une contrôlabilité fiable.

Les tentatives de combler ce fossé en utilisant l'apprentissage par renforcement (RL) pour un post-entraînement se heurtent à un goulot d'étranglement critique lorsqu'elles sont appliquées à la diffusion sur graphes au niveau des atomes. Le vaste espace des actions atomiques de bas niveau est mal aligné avec les sous-structures chimiquement significatives (motifs) que les chimistes utilisent pour formuler des raisonnements structure-propriété. Comme démontré dans l'article, le RL au niveau atomique souffre souvent d'un « effondrement de trajectoire », où un seul choix atomique invalide déplace la génération hors de la variété chimique réalisable, rendant la récupération difficile. Cette fragilité entraîne une faible validité et une attribution de crédit instable, empêchant le modèle d'associer de manière fiable les changements structurels aux récompenses de propriétés.

Méthodologie

Les auteurs proposent CoMole (Modèles fondateurs génératifs moléculaires contrôlables), un cadre unifié construit sur un pipeline de diffusion sur graphes conscient des motifs. L'innovation centrale consiste à reparamétrer le processus de diffusion sur graphes et de RL d'un espace de décision au niveau des atomes vers un espace de décision conscient des motifs.

1. Tokenisation de graphes consciente des motifs

CoMole utilise un tokeniseur basé sur l'encodage des paires de nœuds (NPE) qui apprend un vocabulaire à partir de données de préentraînement. Ce tokeniseur mappe les graphes moléculaires chimiquement valides vers des graphes de motifs ( $z_0$ ), où les nœuds représentent des unités disjointes en atomes :

Atomes isolés.
Unités cycliques préservées.
Sous-structures fusionnées pilotées par les données (motifs de niveau supérieur).

Cette représentation préserve les informations au niveau des points d'attache et les étiquettes de liaisons inter-motifs, permettant une reconstruction sans perte tout en comprimant considérablement l'état du graphe.

2. Pipeline d'entraînement en trois étapes

CoMole suit un paradigme de modèle fondateur impliquant trois étapes :

Préentraînement (PT) : Le modèle apprend des priors structurels transférables sur l'espace des graphes de motifs en utilisant une diffusion inconditionnelle.
Affinement supervisé (SFT) : Le modèle est conditionné sur plusieurs propriétés (numériques et catégorielles) pour introduire un alignement spécifique à la tâche.
Apprentissage par renforcement (RL) : La politique de diffusion inverse conditionnelle est optimisée via l'optimisation de politique proximale (PPO) pour s'aligner sur les récompenses de propriétés cibles terminales. Crucialement, le RL opère sur l'espace d'actions conscient des motifs, où les actions correspondent à des décisions chimiquement significatives (par exemple, attacher un cycle benzénique) plutôt qu'à des modifications d'atomes individuels.

3. Justification théorique

L'article fournit une analyse théorique caractérisant le goulot d'étranglement du RL au niveau atomique. En définissant la complexité de décision comme le nombre de facteurs catégoriels dans le noyau inverse, les auteurs montrent que les représentations conscientes des motifs réduisent la taille de l'espace d'actions d'un facteur proportionnel au carré du taux de compression atome-vers-motif ( $\chi$ ). Cette réduction stabilise l'optimisation de politique régularisée par KL, permettant d'attribuer les récompenses plus directement aux actions pertinentes pour les propriétés et empêchant l'effondrement de trajectoire.

Contributions clés

Modèle fondateur unifié : CoMole est présenté comme la première famille de modèles fondateurs génératifs moléculaires contrôlables conçus pour la conception inverse hétérogène, comblant le fossé entre les méthodes spécifiques à une tâche actuelles et les besoins pratiques.
RL conscient des motifs : Ce travail introduit une approche novatrice pour stabiliser le RL pour la génération de graphes en déplaçant l'espace de décision des atomes vers des motifs chimiquement significatifs, justifiant théoriquement pourquoi cela réduit la complexité de décision et améliore l'attribution de crédit.
Contrôlabilité transférable : Le cadre démontre la capacité à transférer la contrôlabilité à des cibles de propriétés non vues en n'optimisant que les plongements de tâches tout en maintenant le générateur figé, atteignant des performances compétitives par rapport aux bases spécifiques à la tâche.

Résultats expérimentaux

CoMole a été évalué sur trois benchmarks hétérogènes : la perméabilité aux gaz des polymères, les propriétés DFT des polymères et des tâches de découverte de médicaments (FreeSolv, BACE, BBBP).

Contrôlabilité : CoMole s'est classé premier en contrôlabilité sur les neuf cibles.
- Sur les benchmarks de polymères, il a réduit l'erreur absolue moyenne (MAE) de plus de 44 % par rapport aux meilleures bases.
- Sur les tâches de médicaments, il a réduit la MAE de FreeSolv de 13,1 % et atteint une précision de 1,0 sur la classification BACE.
- Comparé aux bases les plus solides (par exemple Graph DiT, FREED), CoMole a réduit la MAE de jusqu'à 48,2 %.
Validité : Le modèle a maintenu un taux de validité supérieur à 0,94 sur tous les ensembles de données sans correction basée sur des règles ni filtrage post-hoc. En revanche, les variantes de RL au niveau atomique ont subi des chutes de validité (par exemple, de 0,95 à 0,07) et ont échoué à maintenir la contrôlabilité.
Généralisation : Lorsqu'il a été testé sur des cibles DFT non vues ( $E_i$ , $\epsilon_s$ ) en figeant le générateur et en apprenant uniquement de nouveaux plongements de tâches, CoMole a atteint des performances compétitives par rapport aux bases entraînées directement sur ces cibles.
Ablation : Le remplacement du tokeniseur de motifs par une représentation au niveau atomique a provoqué un échec catastrophique tant en validité qu'en contrôlabilité, confirmant la nécessité de la conception consciente des motifs.

Importance et revendications

L'article revendique que CoMole fournit une base pratique pour une conception inverse moléculaire unifiée, évolutive et contrôlable. En transférant des priors structurels préentraînés vers une génération contrôlée par l'optimisation de politique consciente des motifs, le modèle apprend des connaissances structure-propriété transférables qui soutiennent diverses tâches de conception inverse.

Les auteurs soulignent que leur conception adresse la fragilité fondamentale du RL au niveau atomique dans la génération de graphes. En stabilisant la géométrie d'optimisation grâce à des décisions chimiquement significatives, CoMole atteint une haute contrôlabilité tout en préservant la validité chimique, offrant une voie vers des systèmes de conception basés sur des modèles fondateurs pour les molécules et les polymères capables de combler le fossé entre la génération hypothétique et la découverte scientifique pratique. Ce travail suggère que de tels modèles peuvent aider les chercheurs à prioriser les candidats prometteurs sous des contraintes hétérogènes avant de s'engager dans des simulations ou des expériences coûteuses.