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

Résumé Technique : Génération Moléculaire De Novo avec Préconditionnement des Propriétés Optiques au Niveau du Token

Énoncé du Problème
La découverte de molécules pour diodes électroluminescentes organiques (OLED) possédant des propriétés optiques ciblées est entravée par la rareté des données expérimentales de haute qualité et par la fiabilité limitée du contrôle conditionnel des modèles génératifs à travers divers motifs chimiques. Si l'informatique optique a progressé dans la prédiction des propriétés à partir de structures moléculaires, le problème de la conception inverse — générer de nouvelles molécules avec des énergies d'absorption et des forces d'oscillateur spécifiques — reste contraint. Les approches existantes reposent souvent sur de grands ensembles de données, manquent de validation par structure électronique de haute fidélité (par exemple, la théorie de la fonctionnelle de la densité dépendante du temps, TD-DFT), ou n'évaluent le succès qu'à travers des distributions agrégées plutôt que par sous-espaces chimiques. Cet article traite du défi de la génération moléculaire conditionnelle dans un régime réaliste de faibles données, en se demandant si le conditionnement au niveau du token peut orienter de manière fiable la génération de candidats OLED vers des cibles optiques spécifiques évaluées au niveau TD-DFT.

Méthodologie
Les auteurs proposent un pipeline de modèle de langage autorégressif conditionné par des tokens basé sur GPT-2, structuré en trois étapes d'entraînement distinctes :

1. Pré-entraînement du Langage Chimique : Le modèle est pré-entraîné sur la bibliothèque ChEMBL pour apprendre la grammaire SMILES et les structures moléculaires valides sans étiquettes de propriétés.
2. Pré-entraînement des Propriétés : Le modèle est entraîné sur un large ensemble de données OLED computationnelles (460 205 molécules) où les propriétés optiques continues sont discrétisées en tokens. Plus précisément, l'énergie d'absorption verticale ($\Delta E_{S0 \to S1}$), la force d'oscillateur ($f_{S0 \to S1}$) et le gap HOMO–LUMO sont segmentés en classes (bins) et préfixés aux chaînes SMILES sous forme de tokens spéciaux. Les plongements positionnels (positional embeddings) sont mis à zéro à ces positions de tokens pour traiter ces derniers comme des signaux de conditionnement globaux plutôt que comme des éléments séquentiels.
3. Affinage Multi-tâches (Multi-Task Fine-Tuning) : Le modèle est affiné sur un ensemble de données plus restreint et curaté (~41 500 molécules) avec des étiquettes TD-DFT de haute qualité et cohérentes (calculées au niveau $\omega$B97X-D3/def2-SVPD). Cette étape utilise l'apprentissage multi-tâches de Nash pour équilibrer l'optimisation de plusieurs objectifs de propriétés et prévenir l'oubli catastrophique.

Génération et Validation
Les candidats sont générés en échantillonnant des séquences SMILES conditionnées à travers une grille de tokens d'absorption et de force d'oscillateur. La bibliothèque générée subit une canonicalisation et un filtrage pour la validité et l'unicité. Crucialement, l'évaluation finale est réalisée au niveau TD-DFT (en utilisant la fonctionnelle $\omega$B97X-D3 et la base de calcul def2-TZVP) pour évaluer les observables de structure électronique, plutôt que de se fier uniquement à la conformité des tokens ou à la proximité de la distribution d'entraînement.

Pour analyser la contrôlabilité, les auteurs utilisent la représentation moléculaire de fragments chevauchants (OFraMP) afin de résoudre les environnements électroniques locaux. Cela permet une analyse résolue par chimiotype de la manière dont les motifs locaux influencent la capacité du modèle à satisfaire les contraintes conjointes de propriétés.

Résultats Clés

• Fidélité de la Distribution Globale : La bibliothèque générée reproduit le support de propriété optique dominant de la distribution d'entraînement (couvrant du proche infrarouge à l'UV) mais présente un décalage structurel vers des poids moléculaires plus faibles et moins d'atomes lourds. Le modèle reste sur la variété (manifold) des propriétés optiques tout en explorant des squelettes structurels plus compacts.
• Contrôlabilité au Niveau du Token : Le conditionnement est directionnellement efficace ; l'énergie d'absorption médiane et la force d'oscillateur augmentent généralement avec des indices de tokens plus élevés. Cependant, le contrôle n'est pas totalement orthogonal. Le conditionnement sur une propriété influence l'autre, entraînant des erreurs de calibration. L'ensemble généré montre une anti-corrélation plus forte entre l'énergie d'absorption et la force d'oscillateur que l'ensemble d'entraînement, ce qui est cohérent avec la loi de l'écart d'énergie (energy gap law), particulièrement dans le régime de basse énergie (décalé vers le rouge).
• Fiabilité Dépendante du Chimiotype : La contrôlabilité dépend fortement des environnements électroniques locaux :
  • Motifs Enrichis : Les motifs aromatiques de carbone modérément conjugués (par exemple, les environnements de carbone aromatique de rayon-2) montrent une amélioration de la satisfaction des cibles conjointes (augmentation de 2,65x par rapport à la ligne de base). Ces environnements semblent occuper un régime électronique modulable de manière fluide.
  • Motifs Supprimés : Les motifs électro-attracteurs, particulièrement les nitriles d'aryle, présentent un décalage vers le rouge systématique et une contrôlabilité réduite. Les molécules contenant ces motifs échouent fréquemment à atteindre les cibles conjointes, montrant un décalage moyen de la classe d'absorption de +1,75 par rapport à la cible. Ceci est attribué à des perturbations électroniques locales fortes qui dépassent la résolution du schéma de conditionnement par classes (bins).

Signification et Revendications
L'article établit un benchmark quantitatif pour la génération moléculaire OLED conditionnelle, démontrant que si le pré-conditionnement optique par tokens est efficace à un niveau grossier, sa fiabilité n'est pas uniforme. Les auteurs affirment que la fiabilité du modèle doit être évaluée dans des sous-espaces chimiquement significatifs plutôt que par de simples distributions de propriétés agrégées.

L'étude souligne que le succès du conditionnement de propriétés discrètes dépend de la capacité des perturbations électroniques locales à rester dans la résolution effective du schéma de conditionnement. Par conséquent, l'article recadre la génération moléculaire conditionnelle comme un problème nécessitant une analyse résolue par chimiotype pour identifier là où le contrôle est robuste et là où il se dégrade, plutôt que comme une tâche purement générative. Ce travail ne prétend pas avoir résolu universellement le problème de la conception inverse, mais fournit un cadre rigoureux pour évaluer et comprendre les limites des modèles génératifs actuels dans des domaines chimiques à enjeux élevés et à faibles données.