🤖 machine learning

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

Cet article introduit Morph, un modèle génératif à taille flexible basé sur le transport optimal non équilibré qui surmonte les limitations d'atomes fixes des méthodes de diffusion actuelles pour permettre un pilotage de propriétés et une conception moléculaire 3D hors distribution supérieure.

Auteurs originaux : Malte Franke, Stefan P. Schmid, Zarko Ivkovic, Kjell Jorner, Andreas Krause

Publié 2026-06-08

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Malte Franke, Stefan P. Schmid, Zarko Ivkovic, Kjell Jorner, Andreas Krause

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 êtes un maître architecte chargé de concevoir de nouveaux bâtiments (molécules) pour une ville. Par le passé, les architectes les plus avancés (modèles d'IA) avaient une règle stricte : ils ne pouvaient concevoir des bâtiments qu'avec un nombre fixe de pièces.

S'ils voulaient construire une maison, ils devaient décider à l'avance : « Cette maison aura exactement 4 pièces. » S'ils voulaient un gratte-ciel, ils devaient décider : « Ce gratte-ciel aura exactement 50 pièces. » Ils ne pouvaient pas commencer par l'esquisse d'une cabane de 2 pièces et l'étendre magiquement en un manoir, ni réduire un manoir en une chaumière. Ils étaient coincés avec le nombre de pièces avec lequel ils avaient commencé.

Ce document présente un nouvel architecte IA nommé Morph. Morph est spécial car il ne se soucie pas du nombre de pièces. Il peut partir d'une page blanche (ou d'un petit croquis) et ajouter ou supprimer dynamiquement des pièces au fur et à mesure qu'il dessine le plan, tout en s'assurant que le bâtiment est stable et esthétique.

Voici comment fonctionne Morph, décomposé en concepts simples :

1. Le problème : Le piège du « nombre de pièces fixe »

La plupart des modèles d'IA actuels pour la conception de molécules sont comme ces architectes rigides. Ils supposent que le nombre d'atomes (les « pièces ») est fixé dès le départ.

Le problème : De nombreuses propriétés importantes d'une molécule (comme sa capacité à se dissoudre dans le gras ou sa résistance) sont directement liées à sa taille. Si vous ne pouvez pas changer la taille, vous ne pouvez pas facilement orienter l'IA pour créer une molécule ayant une propriété spécifique.
Le résultat : Si vous demandez à un modèle de taille fixe de concevoir une molécule géante, il peut échouer car il n'a été entraîné que sur des petites molécules. C'est comme demander à un modèle qui ne sait construire que des cabanons de construire soudainement une cathédrale ; il ne sait pas comment monter en échelle.

2. La solution : « Morphing » comme de l'argile

Morph traite la conception de molécules comme une sculpture d'argile.

Le processus : Au lieu de simplement dessiner une image statique, Morph commence par une forme brute. Au fur et à mesure qu'il affine le design, il peut :
- Insérer : Ajouter de nouveaux atomes (ajouter une nouvelle pièce).
- Supprimer : Retirer les atomes inutiles (abattre un mur).
- Substituer : Changer le type d'un atome (transformer une porte en bois en une porte en acier).
- Déplacer : Décaler les atomes pour que la structure s'emboîte parfaitement.
La magie : Il fait tout cela en même temps. Il ne se contente pas d'ajouter des pièces ; il réorganise tout le bâtiment tout en décidant du nombre de pièces nécessaires.

3. La recette secrète : « Le transport optimal déséquilibré »

Comment Morph sait-il quel atome du croquis initial correspond à quel atome de la molécule finale, surtout quand les nombres ne correspondent pas ?

Les auteurs utilisent une astuce mathématique appelée Transport Optimal Déséquilibré.

L'analogie : Imaginez que vous avez un tas de briques rouges (votre croquis de départ) et un tas de briques bleues (votre design cible). Les tas sont de tailles différentes.
L'ancienne méthode : Vous essayez de faire correspondre parfaitement chaque brique rouge à une brique bleue. Si les tas sont de tailles différentes, les mathématiques échouent.
La méthode de Morph : Il dit : « D'accord, associons autant de briques que possible. Pour les briques bleues supplémentaires, nous allons simplement les créer à partir de rien (insertion). Pour les briques rouges en trop, nous allons les écarter (suppression). »
Cela permet à l'IA de passer de manière fluide d'un croquis petit et désordonné à une molécule parfaite et complexe, même si les tailles de départ et d'arrivée sont totalement différentes.

4. Ce que Morph peut faire (Les résultats)

Le document teste Morph sur deux tâches principales :

Construction à partir de zéro (De-novo Design) : Morph peut créer des molécules valides et stables aussi bien que les meilleurs modèles à taille fixe. Il ne sacrifie pas la qualité pour la flexibilité.
Orientation du design (Steering) : C'est là que Morph excelle.
- Scénario : Vous voulez une molécule très « huileuse » (haute lipophilie). Généralement, les molécules huileuses sont plus grosses.
- Modèle à taille fixe : Si vous demandez à un modèle à taille fixe de fabriquer une grande molécule huileuse, et qu'il n'a été entraîné que sur de petites molécules, il pourrait planter ou produire des résultats aberrants.
- Morph : Vous lui dites : « Fais-moi une molécule huileuse. » Morph réalise : « D'accord, pour être huileuse, je dois être plus grande », et il ajoute plus d'atomes pendant le processus de génération. Il réussit à créer des molécules 40 % plus grandes que tout ce qu'il a vu dans ses données d'entraînement.
Décoration de squelette (Scaffold Decoration) : Imaginez que vous avez une base Lego spécifique (un « squelette ») et que vous voulez construire une structure unique par-dessus. Morph peut prendre cette base et y ajouter intelligemment les bonnes pièces pour compléter la molécule, là où d'autres modèles peinent à modifier la taille de la structure tout en gardant la base intacte.

5. Le revers de la médaille (Limites)

Le document est honnête sur les inconvénients :

Plus difficile à entraîner : Comme Morph doit apprendre à ajouter, supprimer et déplacer des éléments tout à la fois, il nécessite plus de temps et de puissance de calcul pour l'entraînement (environ 2,5 fois plus longtemps que certains autres modèles).
Plus lent à générer : Parce qu'il doit prendre de nombreuses petites décisions (comme ajouter un atome à la fois) plutôt que de simplement dessiner une image fixe, il prend plus d'étapes pour terminer une seule molécule.

Résumé

Morph est un nouvel outil d'IA qui brise la règle de la « taille fixe » dans la conception moléculaire. Au lieu d'être coincé avec un nombre prédéterminé d'atomes, il peut faire croître ou rétrécir les molécules à la volée. Cela permet aux scientifiques de demander des molécules possédant des propriétés spécifiques (comme la taille ou la solubilité) et de laisser l'IA déterminer le nombre d'atomes approprié pour y parvenir, ouvrant la voie à la découverte de types de produits chimiques entièrement nouveaux que les précédents modèles d'IA ne pouvaient pas atteindre.

Résumé Technique : Morphing Moléculaire Génératif pour la Conception à Taille Flexible via le Transport Optimal Déséquilibré

1. Énoncé du Problème

Les modèles génératifs actuels pour la conception moléculaire 3D, en particulier les approches de diffusion et de flux (flow-based), font face à une limitation algorithmique critique : ils opèrent sur un nombre fixe d'atomes ( $n$ ). Cette contrainte empêche les modèles d'apprendre la distribution jointe des propriétés moléculaires et de la taille moléculaire. Comme de nombreuses propriétés chimiques sont intrinsèquement liées au nombre d'atomes, fixer la taille restreint artificiellement l'expressivité et la pilotabilité du modèle. Par conséquent, ces modèles peinent à naviguer dans les relations complexes entre structure et propriétés, ne parviennent pas à intégrer efficacement les priors structurels (comme les squelettes/scaffolds) et ne peuvent pas générer de molécules valides hors de la distribution d'entraînement (OOD) concernant la taille.

2. Méthodologie

Les auteurs introduisent Morph, un modèle génératif à taille flexible pour les graphes géométriques qui ajuste dynamiquement le nombre de nœuds (atomes) pendant le processus de génération. La méthodologie intègre une dynamique continue avec des sauts discrets, formulée comme un processus de flux à sauts (jump-flow process).

Composants Clés :

Espace d'État : Le modèle opère sur un espace d'état $\mathcal{G}$ défini comme l'union disjointe d'espaces quotients pour des graphes géométriques de tailles variables, tenant compte des symétries $SE(3)$ (translation/rotation) et $S_n$ (permutation).
Dynamique Générative : Le processus combine :
1. Flux Continu : Gouverné par un champ de vitesse $v_t$ qui déplace les positions des atomes.
2. Sauts Discrets : Gouvernés par une chaîne de Markov en temps continu (CTMC) avec une densité de taux $u_t$ , permettant l'insertion, la suppression et la substitution de types de nœuds.
Entraînement via l'Appariement de Générateur Conditionnel (CGM) : Pour contourner l'intraitabilité du générateur marginal, le modèle utilise le CGM. Il apprend à régresser la vitesse conditionnelle et les taux de saut le long de chemins entre des extrémités appariées $(g_0, g_1)$ , où $g_0$ est un graphe a priori et $g_1$ une molécule cible.
Transport Optimal Déséquilibré (UOT) pour l'Alignement : Une innovation clé est l'utilisation de l'UOT pour aligner des graphes géométriques de tailles différentes ( $n_0 \neq n_1$ $n_{0} \neq = n_{1}$ ) avant de définir les chemins d'interpolation.
- L'objectif UOT minimise une fonction de coût impliquant des coûts de transport, des pénalités de suppression de masse ( $w_{del}$ ) et des pénalités d'insertion de masse ( $w_{ins}$ ).
- Les coûts d'édition d'arêtes sont fixés à zéro, justifiés par la capacité à inférer la topologie des liaisons à partir de la structure 3D et de la valence.
- Le plan de transport résultant est discrétisé à l'aide de l'algorithme de Hongrie sur un espace augmenté pour déterminer les ensembles d'éditions exacts (correspondances, insertions, suppressions).
- Les positions appariées sont alignées par rotation via l'algorithme de Kabsch pour assurer l'invariance $SE(3)$.
Chemins d'Interpolation : Sur la base de l'appariement UOT, le modèle définit des chemins de probabilité conditionnels pour trois modalités :
- Nœuds Appariés : Les positions suivent un chemin gaussien ; les types suivent un ordonnanceur (scheduler).
- Nœuds d'Insertion : Les nœuds sont échantillonnés à des instants d'événements spécifiques avec des positions tirées d'une gaussienne centrée sur la cible.
- Nœuds de Suppression : Les nœuds persistent jusqu'à un instant d'événement spécifique, après quoi ils et leurs arêtes sont supprimés.
Fonction de Perte : L'objectif d'entraînement minimise une divergence de Bregman entre les générateurs conditionnels prédits et cibles, comprenant des termes pour le mouvement (MSE), la substitution (entropie croisée), l'insertion (NLL de Poisson et GMM), la suppression (entropie croisée binaire) et la prédiction de charge.

3. Contributions Clés

Extension aux Graphes Géométriques 3D : Ce travail étend les techniques de génération de séquences à taille flexible aux graphes géométriques 3D, permettant l'intégration fluide de priors structurels (ex: scaffolds) dans le processus génératif.
Algorithme d'Appariement basé sur l'UOT : Les auteurs proposent un algorithme d'appariement basé sur le Transport Optimal Déséquilibré qui aligne des graphes géométriques de tailles différentes pour définir des chemins de probabilité cibles pour l'entraînement, gérant la nature trans-dimensionnelle du problème.
Pilotabilité et Génération OOD Améliorées : L'article démontre que Morph égale les modèles à taille fixe de pointe (SOTA) en génération inconditionnelle tout en offrant une pilotabilité de propriété supérieure. Crucialement, il permet une génération réussie hors distribution (OOD) dans des régimes (ex: tailles de molécules plus grandes) où les modèles précédents échouent.

4. Résultats

Conception De-novo : Sur le jeu de données QM9, Morph atteint des métriques compétitives (Stabilité des Atomes, Stabilité Moléculaire, Validité, Unicité) par rapport aux modèles à taille fixe SOTA (FlowMol, MiDi, EQGAT-diff, SemlaFlow), utilisant souvent moins ou un nombre égal d'Évaluations de Nombre de Fonctions (NFE). Il performe également bien sur le jeu de données plus complexe GEOM-Drugs.
Pilotage de Propriétés :
- Conditionnement de Taille : Lorsqu'il est conditionné sur des nombres d'atomes significativement plus élevés que la distribution d'entraînement (OOD), Morph maintient une validité élevée, générant des molécules avec jusqu'à 40 % d'atomes de plus que le plus grand exemple d'entraînement. Les modèles à taille fixe échouent à extrapoler dans ce régime.
- Conditionnement LogP : Le modèle parvient à piloter la taille des molécules générées en fonction du coefficient de partage logarithmique (logP), récupérant la distribution de taille marginale de l'entraînement et générant des molécules valides dans des régions de faible support ou OOD de logP.
Décoration de Squelette (Scaffold Decoration) : Dans une tâche d'optimisation de tête (lead optimization), Morph parvient à étendre de petits squelettes chimiques en molécules complètes tout en préservant la sous-structure centrale, atteignant une validité et une unicité élevées.

5. Signification et Revendications

L'article affirme que Morph s'attaque à une limitation fondamentale des conceptions moléculaires génératives actuelles : l'incapacité d'adapter la taille moléculaire pendant la génération. En apprenant la distribution jointe de la taille et des propriétés, Morph débloque :

Une Flexibilité d'Échantillonnage Inégalée : La capacité de générer des molécules de tailles variées à partir d'un seul modèle.
Un Potentiel de Découverte Amélioré : La capacité d'explorer des espaces chimiques hors de la distribution d'entraînement (OOD), ce qui est essentiel pour découvrir de nouvelles molécules possédant des propriétés spécifiques et inédites.
Intégration de Priors Structurels : La capacité d'utiliser des squelettes comme points de départ pour une expansion flexible, une exigence courante dans la découverte de médicaments.

Les auteurs reconnaissent des limites, notamment une augmentation des coûts d'entraînement due à la complexité combinatoire, le besoin de plus d'époques pour atteindre les performances SOTA, et la dépendance actuelle à un nombre élevé d'étapes d'intégration en raison de la nature CTMC de leur modèle. Ils positionnent Morph comme un bloc de construction prometteur pour accélérer la découverte dans les sciences chimiques, spécifiquement pour les tâches nécessitant une génération à taille flexible.