Elucidating the Size of Chemical Space with Assembly Theory

Cet article utilise la théorie de l'assemblage, une mesure de la complexité moléculaire fondée sur les premiers principes et basée sur des opérations récursives de jonction de liaisons, pour réestimer la taille de l'espace chimique, révélant que sous des contraintes de type médicament (masse < 500 Da), le nombre de molécules possibles atteint environ 10^117 à un indice d'assemblage de 25, passant d'une croissance super-exponentielle à une croissance doublement exponentielle à mesure que la complexité augmente.

L'essentiel

Imaginez que vous essayiez de compter chaque château Lego possible que vous pourriez construire. Vous pourriez vous dire : « Eh bien, il y a tellement de façons d'assembler des briques que le nombre est pratiquement infini. » Des scientifiques ont déjà essayé de deviner ce nombre par le passé, affirmant souvent qu'il existe environ 10 à la puissance 60 (un 1 suivi de 60 zéros) de molécules « de type médicament ». Mais ces suppositions avaient un défaut : elles comptaient toutes les combinaisons possibles de briques, même celles qui s'effondreraient immédiatement ou qui n'auraient aucun sens physique. Elles ne demandaient pas : « À quel point est-il difficile de construire ceci ? »

Ce document présente une nouvelle façon de compter l'univers des molécules possibles en utilisant un concept appelé Théorie de l'Assemblage (Assembly Theory). Voyez cela non pas seulement comme le comptage du château final, mais comme le comptage du nombre minimum d'étapes nécessaires pour le construire.

Voici la décomposition de leurs découvertes en utilisant des analogies simples :

1. La métrique du « Manuel d'instructions »

Imaginez que vous avez une molécule spécifique. Pour la construire, vous avez besoin d'un ensemble d'instructions.

• L'ancienne méthode : Compter simplement combien d'atomes se trouvent dans la molécule.
• La nouvelle méthode (Théorie de l'Assemblage) : Compter le nombre minimum de mouvements d'« emboîtement » nécessaires pour la construire à partir de zéro.
  • Si vous avez une longue chaîne de perles identiques, vous pouvez construire cela rapidement en dupliquant un petit morceau encore et encore. C'est un objet à « faible complexité ».
  • Si vous avez une molécule où chaque partie est unique et que vous devez les attacher une par une, cela prend beaucoup plus d'étapes. C'est un objet à « haute complexité ».

Les auteurs appellent ce nombre d'étapes l'Indice d'Assemblage. C'est comme une « évaluation de la difficulté » de construction.

2. L'« Univers Lego » vs Le « Monde Réel »

Le document distingue deux espaces :

• L'Univers d'Assemblage : C'est l'espace théorique de toutes les formes possibles que vous pourriez réaliser avec des briques Lego, même si la forme est instable ou impossible à maintenir ensemble dans la réalité.
• L'Espace Chimique : C'est le sous-ensemble du « Monde Réel ». Il n'inclut que les molécules qui sont physiquement stables et qui peuvent réellement exister (comme celles de la base de données GDB-13, qui contient près d'un milliard de molécules de type médicament réelles).

Les chercheurs ont utilisé la base de données GDB-13 comme une carte pour voir à quel point l'espace chimique du « Monde Réel » est vaste.

3. À quelle vitesse l'espace croît-il ?

La grande question était : À mesure que le « niveau de difficulté » (Indice d'Assemblage) augmente, à quelle vitesse le nombre de molécules possibles explose-t-il ?

• La découverte : Le nombre de molécules possibles croît très rapidement.
  • Il croît plus vite qu'une courbe exponentielle standard (comme les intérêts composés).
  • Il croît à un rythme situé quelque part entre le « super-exponentiel » et le « double-exponentiel ».
  • L'analogie : Si vous imaginez le nombre de molécules comme un ballon, la croissance standard est comme le gonfler lentement. Ce document suggère que le ballon se gonfle si vite qu'il est pratiquement en train d'exploser.

4. L'effet de « Filtre »

Le document a également examiné ce qui se passe lorsque l'on applique des « filtres » au jeu de Lego.

• Pas de cycles : Si vous n'autorisez que des chaînes droites d'atomes (pas de boucles), l'espace croît d'une certaine manière.
• Avec des cycles : Si vous autorisez les atomes à former des boucles (cycles), les molécules ont tendance à être plus « symétriques » (plus faciles à construire en copiant des parties), ce qui modifie la façon dont l'espace croît.
• Motifs spécifiques : Si vous exigez qu'une molécule possède une forme spécifique (comme un cycle carré), l'espace rétrécit, mais il reste astronomiquement vaste.

5. Le décompte final

Lorsque les chercheurs ont appliqué toutes les règles standards pour les molécules « de type médicament » (des critères tels que : doit avoir un poids inférieur à un certain seuil, doit être stable, doit posséder certains types d'atomes) et ont regardé les molécules ayant un Indice d'Assemblage de 25, ils ont calculé la taille de cet espace.

Le résultat : Il existe environ 10 à la puissance 117 molécules possibles.

Pour mettre cela en perspective :

• L'estimation précédente était de 10^60.
• La nouvelle estimation est de 10^117.
• C'est un nombre si grand qu'il dépasse largement le nombre d'atomes dans l'univers observable tout entier.

Résumé

Le document soutient que l'« univers des molécules possibles » n'est pas seulement grand ; il est d'une immensité vertigineuse, et il croît à un rythme terrifiant à mesure que la complexité augmente. En utilisant une méthode de « comptage d'étapes » (Théorie de l'Assemblage) plutôt que de simplement compter les atomes, ils ont découvert que même avec des règles strictes sur ce qui constitue un bon médicament, le nombre de possibilités est d'environ 10^117. Cela suggère que trouver une molécule spécifique et utile dans cet océan de possibilités est une tâche incroyablement difficile, simplement parce que l'océan est bien plus vaste que nous ne le pensions auparavant.

Résumé technique

Résumé Technique : Élucider la taille de l'espace chimique grâce à la Théorie de l'Assemblage

Énoncé du Problème
L'espace chimique est traditionnellement estimé comme étant vaste, avec des calculs heuristiques suggérant environ $10^{60}$ molécules « de type médicament » de moins de 500 Da. Cependant, ces estimations ne parviennent souvent pas à rendre compte de la complexité structurelle et synthétique des molécules énumérées. Les approches existantes pour quantifier l'espace chimique reposent soit sur une énumération explicite (ex. bases de données GDB), soit sur une génération implicite (ex. algorithmes génétiques, apprentissage profond), mais aucune des deux ne capture pleinement les contraintes fondamentales de constructibilité ou le taux auquel l'espace croît avec l'augmentation de la complexité. Il existe un besoin pour un cadre fondé sur les premiers principes permettant de partitionner l'espace chimique en fonction de la complexité causale requise pour construire les molécules, plutôt que de se baser uniquement sur leurs propriétés statiques.

Méthodologie
Les auteurs emploient la Théorie de l'Assemblage (Assembly Theory), un cadre qui quantifie la complexité causale d'un objet en mesurant le nombre minimal d'opérations récursives de jonction de liaisons nécessaires pour le construire. Cette métrique est définie comme l'Indice d'Assemblage ($a$).

1. Cadre Théorique :

   • Les molécules sont traitées comme des graphes moléculaires ($O$) construits à partir de blocs de construction ($BB$).
   • L'État d'Assemblage est défini par la paire $(a, S)$, où $S$ est la taille (nombre de liaisons) et $a$ est l'Indice d'Assemblage.
   • Des limites théoriques sont établies pour l'Indice d'Assemblage : $\log_2(S) \leq a \leq S-1$. Des limites améliorées sont dérivées en fonction du nombre de blocs de construction ($|BB|$) et de la taille $S$, notées $a_{max}(S, BB)$.
   • Le papier utilise des inclusions d'ensembles pour borner le nombre de molécules jusqu'à un Indice d'Assemblage $n$ : $|Set(a_{max} \leq n)| \leq |Set(a \leq n)| \leq |Set(l(S) \leq n)|$.

2. Données et Calcul :

   • Référence (Baseline) : La base de données GDB-13 (contenant environ 977 millions de molécules de type médicament avec jusqu'à 13 atomes lourds : C, N, O, S, Cl) est utilisée comme un proxy pour les molécules « Assemblage-Possibles » (molécules physiquement possibles).
   • Proxy de l'Univers : Les Graphes Simples Connexes (SCG) sont utilisés pour représenter l'« Univers d'Assemblage » (toutes les possibilités combinatoires).
   • Algorithme : Les auteurs calculent l'Indice d'Assemblage exact pour toutes les molécules de la base de données GDB-13 et pour les SCG jusqu'à 18 arêtes en utilisant des algorithmes spécialisés (ex. la bibliothèque nauty).
   • Contraintes : L'analyse applique diverses contraintes aux données GDB-13, notamment :
     • Restrictions de type de liaison (ex. liaisons simples uniquement, simples/doubles, combinaisons spécifiques d'hétéroatomes).
     • Contraintes structurelles (ex. présence/absence de cycles, tailles de cycles spécifiques comme le cyclobutane).

Contributions Clés

• Partitionnement par Complexité : Le papier introduit une méthode pour partitionner l'espace chimique en niveaux définis par l'Indice d'Assemblage, créant un ordonnancement constructif des molécules basé sur les étapes de formation minimales requises.
• Limites de Taux de Croissance : L'étude établit que l'espace chimique croît au moins de manière super-exponentielle et au plus de manière double-exponentielle par rapport à l'Indice d'Assemblage.
• Quantification des Contraintes : Les auteurs démontrent comment des contraintes physiques et structurelles spécifiques (types d'atomes, types de liaisons, présence de cycles) altèrent la distribution des molécules dans l'Espace d'État d'Assemblage et affectent le taux de croissance de l'espace.
• Validation Numérique : Ce travail fournit la première confirmation numérique, utilisant la base de données GDB-13, que l'« Assemblage-Possible » moléculaire croît de manière super-exponentielle, soutenant ainsi les conjectures théoriques antérieures.

Résultats

• Dynamique de Croissance : L'analyse des Graphes Simples Connexes (SCG) montre que le nombre cumulé de graphes croît de façon proche de la limite supérieure double-exponentielle. La plupart des graphes dans cet univers sont « duplicate-symétriques » (construits via une duplication récursive).
• Espace Chimique (GDB-13) :
  • La distribution des molécules GDB-13 dans l'Espace d'État d'Assemblage se situe entre la limite inférieure et la limite supérieure théoriques.
  • L'espace croît de manière super-exponentielle jusqu'à l'Indice d'Assemblage 4 (la limite des données complètes de la base de données).
  • Effets des Contraintes :
    • Les molécules ne possédant que des liaisons carbone-carbone simples présentent une croissance proche de la limite double-exponentielle.
    • L'introduction de types de liaisons multiples ou d'hétéroatomes déplace le taux de croissance loin de la limite double-exponentielle, bien que la majorité des molécules restent duplicate-symétriques.
    • Contraintes de Cycles : La présence de cycles augmente la symétrie de duplication, faisant pencher la distribution vers la limite de symétrie. Inversement, les molécules acycliques (sans cycles) se comportent davantage comme des chaînes, penchant vers la limite de l'asymétrie de duplication.
• Estimation de la Taille : Sous des contraintes comparables aux estimations standards de médicaments (masse moléculaire < 500 Da), l'analyse projette un espace chimique d'environ $10^{117}$ molécules à l'Indice d'Assemblage 25.

Signification
Le papier affirme fournir une estimation de premier principe de la taille de l'espace chimique qui tient compte de la complexité causale de la construction, plutôt que d'une simple énumération combinatoire. En utilisant l'Indice d'Assemblage, les auteurs offrent une métrique mesurable pour naviguer dans l'immensité de l'espace chimique, distinguant les régions qui sont structurellement simples (haute symétrie) de celles qui sont complexes. Cette approche permet de quantifier comment les contraintes structurelles (telles que celles rencontrées dans la découverte de médicaments) réduisent l'espace accessible. Les auteurs postulent que ce cadre offre des perspectives non seulement pour la conception de médicaments et de matériaux, mais aussi pour la nature d'autres espaces combinatoires, tels que les espaces génétiques et protéiques, en définissant les limites fondamentales de la constructibilité.