🤖 machine learning

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

यह शोध पत्र Morph को प्रस्तुत करता है, जो अनबैलेंस्ड ऑप्टिमल ट्रांसपोर्ट पर आधारित एक लचीले-आकार का जनरेटिव मॉडल है, जो वर्तमान डिफ्यूजन विधियों की फिक्स्ड-एटम सीमाओं को दूर करने के लिए बेहतर प्रॉपर्टी स्टीयरिंग और आउट-ऑफ-डिस्ट्रीब्यूशन 3D मॉलिक्यूलर डिज़ाइन को सक्षम बनाता है।

मूल लेखक: Malte Franke, Stefan P. Schmid, Zarko Ivkovic, Kjell Jorner, Andreas Krause

प्रकाशित 2026-06-08

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Malte Franke, Stefan P. Schmid, Zarko Ivkovic, Kjell Jorner, Andreas Krause

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक मास्टर आर्किटेक्ट हैं जो एक शहर के लिए नई इमारतें (अणुओं/molecules) डिजाइन करने की कोशिश कर रहे हैं। अतीत में, सबसे उन्नत आर्किटेक्ट्स (AI मॉडल्स) का एक सख्त नियम था: वे केवल कमरों की एक निश्चित संख्या वाली इमारतें ही डिजाइन कर सकते थे।

यदि वे एक घर बनाना चाहते थे, तो उन्हें पहले से तय करना पड़ता था: "इस घर में ठीक 4 कमरे होंगे।" यदि वे एक गगनचुंबी इमारत बनाना चाहते थे, तो उन्हें तय करना पड़ता था: "इस गगनचुंबी इमारत में ठीक 50 कमरे होंगे।" वे एक 2-कमरे वाले केबिन के स्केच से शुरू करके उसे जादुई रूप से एक हवेली में नहीं बदल सकते थे, न ही वे एक हवेली को छोटा करके एक कुटिया बना सकते थे। वे कमरों की संख्या के साथ ही बंधे हुए थे।

यह पेपर एक नया AI आर्किटेक्ट पेश करता है जिसका नाम है Morph। Morph विशेष है क्योंकि उसे कमरों की संख्या की परवाह नहीं है। यह एक खाली स्लेट (या एक छोटे स्केच) से शुरू कर सकता है और अपने ब्लूप्रिंट को खींचते समय गतिशील रूप से कमरे जोड़ या हटा सकता है, और यह भी सुनिश्चित कर सकता है कि इमारत स्थिर और दिखने में अच्छी हो।

यहाँ बताया गया है कि Morph कैसे काम करता है, जिसे सरल अवधारणाओं में विभाजित किया गया है:

1. समस्या: "निश्चित कमरों की संख्या" का जाल

अणुओं को डिजाइन करने के लिए अधिकांश वर्तमान AI मॉडल उन्हीं कठोर आर्किटेक्ट्स की तरह हैं। वे मान लेते हैं कि परमाणुओं (कमरों) की संख्या शुरुआत से ही निश्चित है।

समस्या: एक अणु के कई महत्वपूर्ण गुण (जैसे कि वसा में घुलने की क्षमता या उसकी मजबूती) सीधे उसके आकार से जुड़े होते हैं। यदि आप आकार नहीं बदल सकते, तो आप आसानी से AI को एक विशिष्ट गुण वाला अणु बनाने के लिए निर्देशित नहीं कर सकते।
परिणाम: यदि आप एक निश्चित-आकार के मॉडल को एक विशाल अणु डिजाइन करने के लिए कहते हैं, तो वह विफल हो सकता है क्योंकि उसे केवल छोटे अणुओं पर प्रशिक्षित किया गया था। यह वैसा ही है जैसे किसी ऐसे मॉडल से एक कैथेड्रल बनाने के लिए कहना जो केवल शेड बनाना जानता है; उसे बड़े पैमाने पर विस्तार करना नहीं आता।

2. समाधान: मिट्टी की तरह "मूर्तिकला" (Morphing)

Morph अणु डिजाइन को मिट्टी से मूर्तिकला बनाने की तरह मानता है।

प्रक्रिया: केवल एक स्थिर चित्र बनाने के बजाय, Morph एक मोटे आकार से शुरू करता है। जैसे-जैसे यह डिजाइन को परिष्कृत करता है, यह कर सकता है:
- Insert (सम्मिलित करना): नए परमाणु जोड़ना (एक नया कमरा जोड़ना)।
- Delete (हटाना): अनावश्यक परमाणुओं को हटाना (एक दीवार गिराना)।
- Substitute (प्रतिस्थापित करना): एक परमाणु के प्रकार को बदलना (लकड़ी के दरवाजे को स्टील के दरवाजे में बदलना)।
- Move (हिलाना): परमाणुओं को इधर-उधर खिसकाना ताकि संरचना पूरी तरह से फिट हो सके।
जादू: यह यह सब एक साथ करता है। यह केवल कमरे जोड़ नहीं रहा है; यह यह भी तय कर रहा है कि उसे कितने कमरों की आवश्यकता है और इस बीच पूरी इमारत को पुनर्गठित भी कर रहा है।

3. गुप्त सूत्र: "अनबैलेंस्ड ऑप्टिमल ट्रांसपोर्ट" (Unbalanced Optimal Transport)

Morph को कैसे पता चलता है कि शुरुआती स्केच में कौन सा परमाणु अंतिम अणु के किस परमाणु के अनुरूप है, खासकर जब संख्याएँ मेल नहीं खातीं?

लेखक Unbalanced Optimal Transport नामक एक गणितीय ट्रिक का उपयोग करते हैं।

उपमा: कल्पना कीजिए कि आपके पास लाल ईंटों का एक ढेर है (आपका शुरुआती स्केच) और नीली ईंटों का एक ढेर है (आपका लक्षित डिजाइन)। दोनों ढेरों का आकार अलग-अलग है।
पुराना तरीका: आप हर लाल ईंट को एक नीली ईंट से पूरी तरह मिलाने की कोशिश करते हैं। यदि ढेरों का आकार अलग है, तो गणित विफल हो जाता है।
Morph का तरीका: यह कहता है, "ठीक है, हम जितना हो सके उतने ईंटों का मिलान करेंगे। अतिरिक्त नीली ईंटों के लिए, हम उन्हें शून्य से बना लेंगे (insertion)। अतिरिक्त लाल ईंटों के लिए, हम उन्हें निकाल देंगे (deletion)।"
यह AI को एक छोटे, बिखरे हुए स्केच से एक पूर्ण, जटिल अणु में सुचारू रूप से बदलने की अनुमति देता है, भले ही शुरुआती और अंतिम आकार पूरी तरह से अलग हों।

4. Morph क्या कर सकता है (परिणाम)

पेपर में Morph का परीक्षण दो मुख्य कार्यों पर किया गया है:

शून्य से निर्माण (De-novo Design): Morph सबसे अच्छे निश्चित-आकार वाले मॉडलों की तरह ही वैध, स्थिर अणु बना सकता है। यह लचीलेपन के लिए गुणवत्ता से समझौता नहीं करता है।
डिजाइन को दिशा देना (Steering the Design): यहीं पर Morph उत्कृष्ट प्रदर्शन करता है।
- परिदृश्य: आप एक ऐसा अणु चाहते हैं जो बहुत "तैलीय" (उच्च लिपोफिलिसिटी) हो। आमतौर पर, तैलीय अणु बड़े होते हैं।
- निश्चित मॉडल: यदि आप एक निश्चित-आकार के मॉडल को एक बड़ा तैलीय अणु बनाने के लिए कहते हैं, और उसे केवल छोटे अणुओं पर प्रशिक्षित किया गया था, तो वह क्रैश हो सकता है या कचरा पैदा कर सकता है।
- Morph: आप इसे कहते हैं, "मेरे लिए एक तैलीय अणु बनाओ।" Morph महसूस करता है, "ठीक है, तैलीय होने के लिए, मुझे बड़ा होना पड़ेगा," और यह निर्माण प्रक्रिया के दौरान अधिक परमाणु जोड़ता है। यह अपने प्रशिक्षण डेटा में देखी गई किसी भी चीज़ की तुलना में 40% बड़े अणु सफलतापूर्वक बनाता है।
स्कैफोल्ड सजावट (Scaffold Decoration): कल्पना कीजिए कि आपके पास एक विशिष्ट लेगो बेस (एक "स्कैफोल्ड") है और आप उसके ऊपर एक अनूठी संरचना बनाना चाहते हैं। Morph उस आधार को ले सकता है और अणु को पूरा करने के लिए सही हिस्से बुद्धिमानी से जोड़ सकता है, जबकि अन्य मॉडल आधार को बरकरार रखते हुए संरचना के आकार को बदलने में संघर्ष करते हैं।

5. कमी (सीमाएं)

पेपर इसकी कमियों के बारे में ईमानदार है:

इसे प्रशिक्षित करना कठिन है: क्योंकि Morph को एक साथ जोड़ने, हटाने और हिलाने के मामले में सीखना पड़ता है, इसलिए इसे प्रशिक्षित करने में अधिक समय और कंप्यूटिंग शक्ति लगती है (कुछ अन्य मॉडलों की तुलना में लगभग 2.5 गुना अधिक)।
यह जनरेशन में धीमा है: क्योंकि इसे एक निश्चित चित्र बनाने के बजाय कई छोटे निर्णय लेने होते हैं (जैसे एक बार में एक परमाणु जोड़ना), इसलिए एक एकल अणु को पूरा करने में इसे कई चरण लगते हैं।

सारांश

Morph एक नया AI टूल है जो आणविक डिजाइन में "निश्चित आकार" के नियम को तोड़ता है। परमाणुओं की पूर्व निर्धारित संख्या से बंधे रहने के बजाय, यह अणुओं को चलते-फिरते बढ़ा और घटा सकता है। यह वैज्ञानिकों को विशिष्ट गुणों (जैसे आकार या घुलनशीलता) वाले अणुओं के लिए पूछने और AI को इसे सफल बनाने के लिए सही संख्या में परमाणु तय करने की अनुमति देता है, जिससे उन पूरी तरह से नए प्रकार के रसायनों की खोज का मार्ग खुलता है तक जिन्हें पिछले AI मॉडल नहीं छू सके थे।

तकनीकी सारांश: अनबैलेंस्ड ऑप्टिमल ट्रांसपोर्ट के माध्यम से फ्लेक्सिबल-साइज़ डिज़ाइन के लिए जेनेरेटिव मॉलिक्यूलर मॉर्फिंग

1. समस्या विवरण

3D आणविक डिज़ाइन (molecular design) के लिए वर्तमान जेनेरेटिव मॉडल, विशेष रूप से डिफ्यूजन और फ्लो-आधारित दृष्टिकोण, एक महत्वपूर्ण एल्गोरिद्मिक सीमा का सामना करते हैं: वे परमाणुओं की एक निश्चित संख्या ( $n$ ) पर कार्य करते हैं। यह बाधा मॉडलों को आणविक गुणों और आणविक आकार के संयुक्त वितरण (joint distribution) को सीखने से रोकती है। चूंकि कई रासायनिक गुण स्वाभाविक रूप से परमाणुओं की संख्या से जुड़े होते हैं, इसलिए आकार को स्थिर करना मॉडल की अभिव्यक्ति (expressivity) और स्टीयरेबिलिटी (steerability) को कृत्रिम रूप से सीमित कर देता है। फलस्वरूप, ये मॉडल संरचना और गुणों के बीच जटिल संबंधों को नेविगेट करने में संघर्ष करते हैं, संरचनात्मक पूर्ववृत्त (scaffolds जैसे) को प्रभावी ढंग से एकीकृत करने में विफल रहते हैं, और आकार के संबंध में प्रशिक्षण वितरण (training distribution) से बाहर (OOD) वैध अणु उत्पन्न नहीं कर पाते हैं।

2. कार्यप्रणाली

लेखक Morph प्रस्तुत करते हैं, जो ज्यामितीय ग्राफ (geometric graphs) के लिए एक फ्लेक्सिबल-साइज़ जेनेरेटिव मॉडल है जो पीढ़ी की प्रक्रिया के दौरान नोड्स (परमाणुओं) की संख्या को गतिशील रूप से समायोजित करता है। कार्यप्रणाली निरंतर गतिकी (continuous dynamics) को असंतत उछाल (discrete jumps) के साथ जोड़ती है, जिसे जंप-फ्लो प्रोसेस के रूप में तैयार किया गया है।

मुख्य घटक:

स्टेट स्पेस (State Space): मॉडल एक स्टेट स्पेस $\mathcal{G}$ पर कार्य करता है जो विभिन्न आकारों के ज्यामितीय ग्राफ के कोटिएंट स्पेस (quotient spaces) का विसंयुक्त संघ (disjoint union) है, जो $SE(3) $(ट्रांसलेशन/रोटेशन) और$ S_n$ (परम्यूटेशन) समरूपताओं (symmetries) को ध्यान में रखता है।
जेनेरेटिव डायनेमिक्स (Generative Dynamics): यह प्रक्रिया निम्नलिखित को जोड़ती है:
1. कंटीन्यूअस फ्लो (Continuous Flow): वेग क्षेत्र (velocity field) $v_t$ द्वारा नियंत्रित, जो परमाणु स्थितियों को स्थानांतरित करता है।
2. डिस्क्रीट जम्प्स (Discrete Jumps): रेट डेंसिटी $u_t$ के साथ एक निरंतर-समय मार्कोव चेन (CTMC) द्वारा नियंत्रित, जो नोड इंसर्शन (सम्मिलन), डिलीशन (हटाना), और टाइप सब्स्टीट्यूशन (प्रतिस्थापन) को सक्षम बनाता है।
कंडीशनल जनरेटर मैचिंग (CGM) के माध्यम से प्रशिक्षण: मार्जिनल जनरेटर की जटिलता से बचने के लिए, मॉडल CGM का उपयोग करता है। यह युग्मित एंडपॉइंट्स $(g_0, g_1)$ के बीच पथों के साथ कंडीशनल वेलोसिटी और जंप रेट्स को रिग्रेस करने के लिए सीखता है, जहाँ $g_0$ एक प्रायर ग्राफ है और $g_1$ एक लक्षित अणु है।
एलाइनमेंट के लिए अनबैलेंस्ड ऑप्टिमल ट्रांसपोर्ट (UOT): एक प्रमुख नवाचार अलग-अलग आकार के ज्यामितीय ग्राफों ( $n_0 \neq n_1$ $n_{0} \neq = n_{1}$ ) को संरेखित करने के लिए UOT का उपयोग करना है, ताकि इंटरपोलेशन पथों को परिभाषित किया जा सके।
- UOT ऑब्जेक्टिव एक कॉस्ट फंक्शन को कम करता है जिसमें ट्रांसपोर्ट लागत, मास डिलीशन पेनल्टी ( $w_{del}$ ), और मास इंसर्शन पेनल्टी ( $w_{ins}$ ) शामिल हैं।
- एज एडिट कॉस्ट को शून्य रखा गया है, जो 3D संरचना और वैलेंसी से बॉन्ड टोपोलॉजी को निष्कर्ष निकालने की क्षमता द्वारा न्यायसंगत है।
- परिणामी ट्रांसपोर्ट प्लान को सटीक एडिट सेट्स (मैचेस, इंसर्शन, डिलीशन) निर्धारित करने के लिए ऑगमेंटेड स्पेस पर हंगेरियन एल्गोरिदम का उपयोग करके विविक्त (discretized) किया जाता है।
- मैच किए गए पदों को $SE(3)$ इनवेरिएंस सुनिश्चित करने के लिए कबश एल्गोरिदम (Kabsch algorithm) के माध्यम से रोटेशनल रूप से संरेखित किया जाता है।
इंटरपोलेशन पाथ्स (Interpolation Paths): UOT मैचिंग के आधार पर, मॉडल तीन मोडैलिटीज के लिए कंडीशनल प्रोबेबिलिटी पाथ्स को परिभाषित करता है:
- मैच्ड नोड्स: स्थितियाँ गाऊसी पथ (Gaussian path) का पालन करती हैं; प्रकार एक शेड्यूलर का पालन करते हैं।
- इंसर्शन नोड्स: नोड्स को विशिष्ट इवेंट समय पर सैंपल किया जाता है, जिनकी स्थितियाँ लक्ष्य के केंद्र पर आधारित गाऊसी वितरण से ली जाती हैं।
- डिलिशन नोड्स: नोड्स एक विशिष्ट इवेंट समय तक बने रहते हैं, जिसके बाद उन्हें और उनके किनारों (edges) को हटा दिया जाता है।
लॉस फंक्शन: प्रशिक्षण उद्देश्य अनुमानित और लक्षित कंडीशनल जनरेटर्स के बीच ब्रेगमन डायवर्जेंस (Bregman divergence) को कम करता है, जिसमें मूवमेंट (MSE), सब्स्टीट्यूशन (क्रॉस-एन्ट्रॉपी), इंसर्शन (पॉइसन NLL और GMM), डिलीशन (बाइनरी क्रॉस-एन्ट्रॉपी), और चार्ज प्रेडिक्शन के लिए टर्म शामिल हैं।

3. मुख्य योगदान

3D ज्यामितीय ग्राफों का विस्तार: यह कार्य फ्लेक्सिबल-साइज़ सीक्वेंस जनरेशन तकनीकों को 3D ज्यामितीय ग्राफों तक विस्तारित करता है, जिससे जेनेरेटिव प्रक्रिया में संरचनात्मक पूर्ववृत्त (जैसे स्कैफोल्ड्स) का निर्बाध एकीकरण संभव होता है।
UOT-आधारित मैचिंग एल्गोरिदम: लेखक अनबैलेंस्ड ऑप्टिमल ट्रांसपोर्ट पर आधारित एक मैचिंग एल्गोरिदम प्रस्तावित करते हैं जो अलग-अलग आकार के ज्यामितीय ग्राफों को संरेखित करता है ताकि प्रशिक्षण के लिए टारगेट प्रोबेबिलिटी पाथ्स को परिभाषित किया जा सके, जो समस्या की ट्रांस-डायमेंशनल प्रकृति को संभालता है।
उन्नत स्टीयरेबिलिटी और OOD जनरेशन: पेपर प्रदर्शित करता है कि Morph अनकंडीशनल जनरेशन में स्टेट-ऑफ-द-आर्ट (SOTA) फिक्स्ड-साइज़ मॉडल्स के साथ प्रतिस्पर्धा करता है और बेहतर प्रॉपर्टी स्टीयरबिलिटी प्रदान करता है। महत्वपूर्ण रूप से, यह उन रेजिम्स (जैसे बड़े अणु आकार) में सफल OOD जनरेशन को सक्षम बनाता है जहाँ पिछले मॉडल विफल हो जाते हैं।

4. परिणाम

डी-नोवो डिज़ाइन (De-novo Design): QM9 डेटासेट पर, Morph SOTA फिक्स्ड-साइज़ मॉडल्स (FlowMol, MiDi, EQGAT-diff, SemlaFlow) की तुलना में प्रतिस्पर्धी मेट्रिक्स (एटम स्टेबिलिटी, मॉलिक्यूलर स्टेबिलिटी, वैलिडिटी, यूनिकनेस) प्राप्त करता है, और अक्सर कम या समान फंक्शन इवैलुएशन नंबर (NFE) का उपयोग करता है। यह अधिक जटिल GEOM-Drugs डेटासेट पर भी अच्छा प्रदर्शन करता है।
प्रॉपर्टी स्टीयरिंग (Property Steering):
- साइज़ कंडीशनिंग: प्रशिक्षण वितरण से काफी अधिक परमाणु गणना वाले (OOD) होने पर भी, Morph उच्च वैधता बनाए रखता है, जो सबसे बड़े प्रशिक्षण उदाहरण से 40% अधिक परमाणुओं वाले अणु उत्पन्न करता है। फिक्स्ड-साइज़ मॉडल इस रेजिम में एक्सट्रपलेशन करने में विफल रहते हैं।
- LogP कंडीशनिंग: मॉडल लॉग पार्टिशन कोएफिशिएंट (logP) के आधार पर उत्पन्न अणुओं के आकार को सफलतापूर्वक स्टीयर करता है, प्रशिक्षण वितरण के साइज़-मार्जिनल को रिकवर करता है और लो-सपोर्ट या OOD logP क्षेत्रों में वैध अणु उत्पन्न करता है।
स्कैफोल्ड डेकोरेशन (Scaffold Decoration): लीड ऑप्टिमाइजेशन कार्य में, Morph कोर सबस्ट्रक्चर को सुरक्षित रखते हुए छोटे रासायनिक स्कैफोल्ड्स को पूर्ण अणुओं में सफलतापूर्वक विस्तारित करता है, उच्च वैधता और यूनिकनेस प्राप्त करता है।

5. महत्व और दावे

पेपर दावा करता है कि Morph वर्तमान मॉलिक्यूलर डिज़ाइन की एक मौलिक सीमा को संबोधित करता है: जनरेशन के दौरान आणविक आकार को अनुकूलित करने में असमर्थता। आकार और गुणों के संयुक्त वितरण को सीखकर, Morph निम्नलिखित को अनलॉक करता है:

अतुलनीय सैंपलिंग लचीलापन: एक ही मॉडल से विभिन्न आकारों के अणु उत्पन्न करने की क्षमता।
बेहतर खोज क्षमता (Discovery Potential): प्रशिक्षण वितरण के बाहर (OOD) रासायनिक स्थानों का पता लगाने की क्षमता, जो विशिष्ट, अनदेखे गुणों वाले नवीन अणुओं की खोज के लिए आवश्यक है।
संरचनात्मक पूर्ववृत्त एकीकरण: स्कैफोल्ड्स को फ्लेक्सिबल एक्सपेंशन के लिए शुरुआती बिंदु के रूप में उपयोग करने की क्षमता, जो ड्रग डिस्कवरी में एक सामान्य आवश्यकता है।

लेखक कॉम्बिनेटोरियल जटिलता के कारण बढ़े हुए प्रशिक्षण लागत, SOTA प्रदर्शन तक पहुँचने के लिए अधिक एपोच की आवश्यकता, और CTMC प्रकृति के कारण उच्च इंटीग्रेशन स्टेप्स पर वर्तमान निर्भरता सहित सीमाओं को स्वीकार करते हैं। वे Morph को रासायनिक विज्ञानों में खोज को तेज करने के लिए एक आशाजनक बिल्डिंग ब्लॉक के रूप में देखते हैं, विशेष रूप से उन कार्यों के लिए जिनमें फ्लेक्सिबल-साइज़ जनरेशन की आवश्यकता होती है।