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

Sintesi Tecnica: Generazione Molecolare De Novo con Precondizionamento delle Proprietà Ottiche a Livello di Token

Definizione del Problema
La scoperta di molecole per diodi organici a emissione di luce (OLED) con proprietà ottiche mirate è ostacolata dalla scarsità di dati sperimentali di alta qualità e dalla limitata affidabilità del controllo condizionale nei modelli generativi attraverso diversi motivi chimici. Mentre l'informatica ottica ha fatto progressi nella previsione delle proprietà a partire dalle strutture molecolari, il problema della progettazione inversa — ovvero la generazione di nuove molecole con specifiche energie di assorbimento e forze d'oscillatore — rimane vincolato. Gli approcci esistenti spesso si affidano a grandi dataset, mancano di una validazione ad alta fedeltà della struttura elettronica (ad esempio, la Teoria del Funzionale della Densità dipendente dal Tempo, TD-DFT), o valutano il successo solo attraverso distribuzioni aggregate piuttosto che attraverso sottospazi chimici. Questo articolo affronta la sfida della generazione molecolare condizionale in un regime realistico di scarsi dati, concentrandosi sulla questione se il precondizionamento a livello di token possa guidare in modo affidabile la generazione di candidati OLED verso obiettivi ottici specifici, valutati a livello TD-DFT.

Metodologia
Gli autori propongono una pipeline di modello linguistico autoregressivo condizionato da token basata su GPT-2, strutturata in tre distinti stadi di addestramento:

1. Preaddestramento del Linguaggio Chimico: Il modello viene preaddestrato sulla libreria ChEMBL per apprendere la grammatica SMILES e le strutture molecolari valide senza etichette di proprietà.
2. Preaddestramento delle Proprietà: Il modello viene addestrato su un ampio dataset computazionale per OLED (460.205 molecole) dove le proprietà ottiche continue vengono discretizzate in token. Nello specifico, l'energia di assorbimento verticale ($\Delta E_{S0 \to S1}$), la forza d'oscillatore ($f_{S0 \to S1}$) e il gap HOMO–LUMO vengono suddivisi in bin e preposti alle stringhe SMILES come token speciali. I positional embedding sono azzerati in queste posizioni di token per trattarli come segnali di condizionamento globale piuttosto che come elementi sequenziali.
3. Fine-Tuning Multi-Task: Il modello viene sottoposto a fine-tuning su un dataset curato più piccolo (~41.500 molecole) con etichette TD-DFT coerenti e di alta qualità (calcolate al livello $\omega$B97X-D3/def2-SVPD). Questa fase impiega l'apprendimento multi-task di Nash per bilanciare l'ottimizzazione di molteplici obiettivi di proprietà e prevenire l'oblio catastrofico.

Generazione e Validazione
I candidati vengono generati campionando sequenze SMILES condizionate attraverso una griglia di token di assorbimento e forza d'oscillatore. La libreria generata viene sottoposta a canonicalizzazione e filtraggio per validità e unicità. Fondamentalmente, la valutazione finale viene eseguita a livello TD-DFT (utilizzando il funzionale $\omega$B97X-D3 e il basis set def2-TZVP) per valutare gli osservabili della struttura elettronica, piuttosto che fare affidamento esclusivamente sulla conformità ai token o sulla prossimità alla distribuzione di addestramento.

Per analizzare la controllabilità, gli autori utilizzano la Rappresentazione Molecolare di Frammenti Sovrapposti (OFraMP) per risolvere gli ambienti elettronici locali. Ciò consente un'analisi risolta per chemotipo di come specifici motivi locali influenzino la capacità del modello di soddisfare i vincoli congiunti dei target.

Risultati Chiave

• Fedeltà Distributiva Globale: La libreria generata riproduce il supporto delle proprietà ottiche dominanti della distribuzione di addestramento (che spazia dal vicino infrarosso all'UV), ma presenta uno spostamento strutturale verso pesi molecolari inferiori e meno atomi pesanti. Il modello rimane sul manifold delle proprietà ottiche pur esplorando scaffold strutturalmente più compatti.
• Controllabilità a Livello di Token: Il condizionamento è efficacemente in termini direzionali; l'energia di assorbimento mediana e la forza d'oscillatore generalmente aumentano con indici di token più elevati. Tuttavia, il controllo non è completamente ortogonale. Il condizionamento su una proprietà influenza l'altra, portando a errori di calibrazione. Il set generato mostra una più forte anti-correlazione tra energia di assorbimento e forza d'oscillatore rispetto al set di addestramento, in linea con la legge del gap energetico (energy gap law), particolarmente nel regime a bassa energia (red-shifted).
• Affidabilità Dipendente dal Chemotipo: La controllabilità dipende fortemente dagli ambienti elettronici locali:
  • Motivi Arricchiti: I motivi aromatici di carbonio moderatamente coniugati (ad esempio, ambienti di carbonio aromatico a raggio-2) mostrano un miglioramento nella soddisfazione congiunta dei target (un incremento di 2,65x rispetto al baseline). Questi ambienti sembrano occupare un regime elettronico facilmente modulabile.
  • Motivi Soppressi: I motivi elettron-attrattori, in particolare i nitrili arilici, mostrano un red-shifting sistematico e una ridotta controllabilità. Le molecole contenenti questi motivi spesso non soddisfano i target congiunti, mostrando uno spostamento medio del bin di assorbimento di +1,75 rispetto al target. Ciò è attribuito a forti perturbazioni elettroniche locali che superano la risoluzione del sistema di condizionamento a bin discreti.

Significatività e Rivendicazioni
Il lavoro stabilisce un benchmark quantitativo per la generazione molecolare condizionale di OLED, dimostrando che, sebbene il precondizionamento ottico a livello di token sia efficace a un livello grossolano, la sua affidabilità non è uniforme. Gli autori sostengono che l'affidabilità del modello debba essere valutata in sottospazi chimicamente significativi piuttosto che attraverso sole distribuzioni di proprietà aggregate.

Lo studio evidenzia che il successo del condizionamento discreto delle proprietà dipende dal fatto che le perturbazioni elettroniche locali rimangano entro la risoluzione effettiva dello schema di condizionamento. Di conseguenza, l'articolo inquadra la generazione molecolare condizionale come un problema che richiede un'analisi risolta per chemotipo per identificare dove il controllo è robusto e dove invece degrada, piuttosto che come un puro compito generativo. Il lavoro non pretende di aver risolto universalmente il problema della progettazione inversa, ma fornisce un quadro rigoroso per valutare e comprendere i limiti degli attuali modelli generativi in domini chimici a bassi dati e alta criticità.