A Genetic Algorithm for Navigating Synthesizable Molecular Spaces

Dit artikel introduceert SynGA, een genetisch algoritme dat direct werkt met synthetiserbare routes om moleculen te ontwerpen die gegarandeerd synthetiseerbaar zijn, en toont aan dat het, vooral in combinatie met een machine learning-filter voor blokselectie, state-of-the-art prestaties levert voor diverse ontwerptaken.

De kern

Stel je voor dat je een chef-kok bent die een perfecte nieuwe maaltijd moet bedenken. Je hebt een enorme kast vol met ingrediënten (de bouwstenen) en een receptenboek met specifieke kooktechnieken (de reacties).

Het probleem? De meeste moderne "AI-chefs" proberen een maaltijd te bedenken die er op papier fantastisch uitziet, maar die in de praktijk onmogelijk te koken is. Misschien heb je een ingrediënt nodig dat niet bestaat, of een kooktechniek die in jouw keuken niet werkt. Ze zijn zo gefocust op de smaak (de eigenschappen van het molecuul) dat ze vergeten of het überhaupt te maken is.

Dit paper introduceert SynGA, een slimme nieuwe methode die precies het tegenovergestelde doet. Het is een genetisch algoritme (een soort digitale evolutie) dat niet zomaar moleculen "droomt", maar die direct opbouwt volgens de regels van de chemie.

Hier is hoe het werkt, vertaald naar alledaagse taal:

1. De Bouwmeester in plaats van de Dromer

Stel je voor dat je een legpuzzel maakt.

• De oude AI-methoden proberen een puzzelstukje te tekenen dat perfect in de afbeelding past, maar ze weten niet of het stukje echt bestaat in de doos.
• SynGA begint bij de doos met stukjes. Het pakt twee stukjes, probeert ze aan elkaar te koppelen met een bestaande klem (een chemische reactie), en bouwt zo stap voor stap een nieuw plaatje op.

Omdat SynGA alleen werkt met stukjes die er écht zijn en klemmen die echt werken, is elk resultaat dat het produceert, per definitie te maken in een echt laboratorium. Geen dromen, alleen haalbare realiteit.

2. De Evolutie van de Maaltijd (Genetisch Algoritme)

Hoe vindt SynGA de beste maaltijd? Het gebruikt een proces dat lijkt op natuurlijke selectie:

1. De Populatie: Het begint met duizenden willekeurige, maar haalbare recepten.
2. Kruisen (Crossover): Het neemt twee goede recepten en mixt ze. Stel, Recept A heeft een geweldige saus en Recept B heeft een perfecte garnituur. SynGA knipt de saus van A en plakt die op het garnituur van B.
3. Mutatie: Soms verandert het iets kleins, zoals het vervangen van één kruid door een ander, of het toevoegen van een extra stap.
4. Selectie: De recepten die het lekkerst zijn (de beste eigenschappen hebben) mogen door naar de volgende ronde. De slechte worden weggegooid.

Dit proces herhaalt zich duizenden keren, waardoor de "recepten" steeds beter en beter worden, zonder ooit een onmogelijke stap te nemen.

3. De Slimme Filter (De Smaakmaker)

Er is één probleem: je kast heeft bijna 200.000 ingrediënten. Het zou eeuwen duren om elke combinatie te proberen.
Daarom heeft SynGA een slimme filter (een klein AI-modeltje) die helpt.

• Stel, je zoekt een maaltijd die lijkt op "Omelette met truffel". De filter kijkt naar de ingrediënten en zegt: "Vergeet die rare exotische kruiden, die passen niet. Focus op eieren, truffelolie en die specifieke champignons."
• Door het zoekgebied te verkleinen tot alleen de meest relevante ingrediënten, wordt SynGA veel sneller en efficiënter. Het hoeft niet meer de hele wereld te verkennen, maar alleen de buurt waar het antwoord ligt.

4. Waarom is dit zo belangrijk?

In de farmaceutische wereld (het maken van nieuwe medicijnen) is tijd geld.

• Als een AI een nieuw medicijn bedenkt dat niet te maken is, is dat tijdverspilling.
• SynGA is als een efficiënte architect die direct bouwt met de materialen die op de bouwplaats liggen.

Het paper toont aan dat SynGA:

• Sneller is dan veel andere methoden om nieuwe medicijnen te vinden.
• Beter presteert in het vinden van moleculen die zowel goed werken als makkelijk te maken zijn.
• Flexibel is: het kan worden gebruikt als een zelfstandige tool of als een krachtige motor binnen grotere AI-systemen.

Samenvattend

SynGA is als een slimme, geduldige kok die niet probeert te vliegen, maar stap voor stap een perfect gerecht bouwt met de ingrediënten die hij echt in huis heeft. Door te leren van de beste combinaties en slim te filteren, vindt hij de beste recepten (medicijnen) veel sneller dan de "dromers" die alleen naar de afbeelding kijken, zonder te kijken of de ingrediënten in de winkel te krijgen zijn.

Het is een bewijs dat soms de beste manier om de toekomst te vinden, is om te werken met de regels van het heden.

Technische samenvatting

Probleemstelling

Het ontwerpen van nieuwe moleculen is een kostbaar en tijdrovend proces. Hoewel er veel geavanceerde machine learning (ML) methoden zijn ontwikkeld (zoals variatiele auto-encoder, GFlowNets en Large Language Models), hebben deze vaak te kampen met twee belangrijke beperkingen:

1. Synthesiseerbaarheid: Veel generatieve modellen zijn "synthese-onbewust" en produceren moleculen die theoretisch wenselijke eigenschappen hebben, maar in de praktijk onstabiel of onmogelijk te synthetiseren zijn.
2. Efficiëntie en Data-honger: ML-modellen zijn vaak data-hongerig en worstelen met generalisatie buiten hun trainingsset. Bestaande methoden om synthesiseerbaarheid te garanderen (zoals het gebruik van retrosynthese-modellen na het genereren) zijn vaak te traag of vereisen dure training van projectiemodellen.

De uitdaging ligt dus in het vinden van een balans tussen het efficiënt verkennen van de chemische ruimte en het garanderen dat de voorgestelde moleculen direct uitvoerbare syntheseroutes hebben.

Methodologie: SynGA

De auteurs stellen SynGA voor, een genetisch algoritme (GA) dat direct opereert over syntheseroutes in plaats van over moleculaire representaties zoals SMILES of grafen.

Kernconcepten:

• Representatie: Moleculen worden voorgesteld als binaire bomen (synthesebomen), waarbij bladeren bestaan uit aankoopbare bouwstenen (building blocks) en interne knopen reactietemplates vertegenwoordigen.
• Genetische Operatoren: In plaats van standaard operatoren op moleculaire strings, definieren de auteurs aangepaste operatoren die werken op de boomstructuur, waardoor het algoritme per definitie beperkt blijft tot de ruimte van synthesiseerbare moleculen:
  • Crossover: Combineert twee subbomen van ouderbomen die compatibel zijn met een bimoleculaire reactie.
  • Mutatie: Bestaat uit vijf operaties:
    • Grow: Voeg een reactie en een bouwsteen toe.
    • Shrink: Verwijder een deel van de boom.
    • Rerun: Behoud de structuur maar wissel de tussenproducten uit (voorkomt regioselectiviteitsproblemen).
    • Change Internal: Verander de reactietemplate.
    • Change Leaf: Verander de bouwsteen.
• Fitness Functie: Flexibel ingestelbaar voor eigenschapsoptimalisatie (maximaliseren van een eigenschap) of analoge zoekopdrachten (maximaliseren van gelijkenis met een query-molecuul).

Versterking met Machine Learning (SynGBO):
Om de prestaties te verbeteren, koppelen de auteurs SynGA aan ML via bouwstenen-filtering:

1. Voor Analog Search: Een lichtgewicht MLP-classificator wordt getraind om de meest relevante bouwstenen te selecteren voor een specifiek query-molecuul. Dit verkleint de zoekruimte drastisch.
2. Voor Eigenschapsoptimalisatie: Een Neural Additive Model (NAM) wordt gebruikt om eigenschappen te voorspellen op basis van de som van scores van individuele bouwstenen. Dit model fungeert als een filter binnen een Bayesian Optimization cyclus (genaamd SynGBO). De NAM prioriteert veelbelovende bouwstenen, terwijl een Gaussian Process (GP) als surrogate model dient voor de feitelijke eigenschapsoptimalisatie.

Belangrijkste Bijdragen

1. SynGA: Een eenvoudig, ML-vrij genetisch algoritme dat direct evolueert over synthesebomen, waardoor synthesiseerbaarheid "by construction" wordt gegarandeerd zonder dure projectiemodellen.
2. ML-geleide Filtering: Een elegante methode om de zoekruimte te beperken door een classifier (voor analoge zoekopdrachten) of een interpreteerbaar additief model (voor eigenschapsoptimalisatie) te gebruiken om bouwstenen te filteren.
3. SynGBO: Een model-gebaseerde variant die SynGA combineert met Bayesian Optimization, wat leidt tot state-of-the-art resultaten in sample-efficiënte eigenschapsoptimalisatie.
4. Uitgebreide Benchmarks: Demonstratie van de prestaties op diverse taken, waaronder het vinden van synthetiseerbare analogen en het optimaliseren van 2D- en 3D-eigenschappen (zoals docking-scores).

Resultaten

De auteurs hebben hun methode getest op verschillende benchmarks:

• Synthetiseerbare Analoge Zoekopdracht:

  • SynGA presteert concurrerend met geavanceerde ML-modellen zoals SynFormer en ChemProjector op het vinden van analogen voor moleculen uit ChEMBL.
  • Hoewel SynGA langzamer is in inferentie dan amortized ML-methoden (zoals SynFormer), is het lichter en direct toepasbaar op nieuwe bouwstenen zonder opnieuw te hoeven trainen.
  • Het gebruik van de MLP-filter verbetert de kwaliteit van de gevonden analogen aanzienlijk en verkleint de zoekruimte van ~200k naar ~100 bouwstenen.

• Eigenschapsoptimalisatie (PMO Benchmark):

  • Op de Practical Molecular Optimization (PMO) benchmark, die 23 taken omvat, presteert de basis-SynGA goed, maar blijft achter bij de beste synthese-onafhankelijke methoden.
  • SynGBO (met NAM-filtering en GP) bereikt echter state-of-the-art prestaties, zelfs beter dan de beste onbeperkte methoden, met name in termen van sample-efficiëntie (AUC-score).

• 3D Docking (LIT-PCBA):

  • Bij het optimaliseren van docking-scores voor eiwitreceptoren (bijv. ALDH1, TP53) behaalt SynGA betere scores dan de meeste synthese-bewuste baselines (zoals SynNet en GFlowNets) met slechts een kwart van het aantal evaluaties (oracle calls).
  • SynGBO levert de beste totale docking-scores op, wat de kracht van de combinatie van genetische zoekopdrachten en Bayesian Optimization onderstreept.

Betekenis en Conclusie

Dit paper toont aan dat genetische algoritmen, vaak als "klassiek" beschouwd, nog steeds zeer competitief zijn in de chemische informatiek, vooral wanneer ze worden ontworpen met domein-specifieke beperkingen (syntheseroutes).

De belangrijkste implicaties zijn:

• Synthesiseerbaarheid als Eerste Class Citizen: Door de zoekruimte direct te beperken tot synthesebomen, worden onrealistische moleculen uitgesloten zonder post-hoc validatie.
• Hybride Werking: SynGA fungeert niet alleen als een sterke standalone baseline, maar ook als een veelzijdige module die naadloos kan worden geïntegreerd in grotere ML-workflows (zoals Bayesian Optimization).
• Sample-efficiëntie: De combinatie van genetische zoekopdrachten met ML-filters (NAM) maakt het mogelijk om met weinig experimentele data (oracle calls) hoogwaardige moleculen te vinden, wat cruciaal is voor de drugontwikkeling.

Kortom, SynGA biedt een robuust, interpreteerbaar en efficiënt kader voor het ontwerpen van moleculen die niet alleen goede eigenschappen hebben, maar ook daadwerkelijk in het laboratorium kunnen worden gemaakt.