DriftingMol: Decoder-Coupled Drift for One-Pass Property-Conditional Molecular Generation

Technische Samenvatting: DriftingMol

Probleemstelling
Het artikel adresseert de uitdaging van eigenschaps-voorwaardelijke moleculaire generatie, wat vereist dat er geldige, diverse moleculen worden geproduceerd die reageren op continue doeleigenschapswaarden (bijv. QED, LogP) met lage bemonsteringskosten. Bestaande methoden staan voor een afweging: iteratieve bemonsteringsbenaderingen (zoals diffusie of versterkend leren) zijn bij inferentie rekenkundig duur, terwijl decoderingen in de latente ruimte of op basis van grafen vaak continue eigenschapssignalen verliezen wanneer discrete decodering nabije latente toestanden doet instorten. Bovendien blijft het waarborgen van moleculaire geldigheid (syntactische en valentie-correctheid) een discrete beperking die continue eigenschapscontrole bemoeilijkt.

Methodologie
DriftingMol introduceert een tweestapskader dat "drijvende modellen" (drifting models) aanpast aan een SELFIES-ruimte voor latente moleculen.

1. Tweestapsproces:

   • Stap 1: Een SELFIES $\beta$-VAE wordt getraind op de ZINC250K-dataset. De encoder koppelt tokenreeksen aan een 256-dimensionale latente ruimte ($z$), en een Transformer-decoder met één schot voorspelt SELFIES-posities parallel. Deze stap vestigt een geregulariseerde continue latente ruimte waar geldigheid wordt overgenomen uit de SELFIES-representatie in plaats van door de generator te worden geleerd.
   • Stap 2: De VAE wordt bevroren. Een DiT-stijl generator ($f_\theta$) wordt getraind om Gaussisch ruis, optionele eigenschapsvoorwaarden ($c$) en een ingebedde leidingschaal ($\alpha$) in één doorloop te koppelen aan een latente vector $\hat{z}$. Het uiteindelijke molecuul wordt verkregen door $\hat{z}$ te decoderen via de bevroren SELFIES-decoder.

2. Decoder-gekoppelde Drijfkracht:
   De kerninnovatie is de definitie van het drijfkrachtveld. In plaats van een externe kenmerkextractor te gebruiken, maakt DriftingMol gebruik van de verborgen representatie van de bevroren VAE-decoder ($\phi$) als het drijfkrachtkenmerkkaart.

   • Drijfkrachtveld: Een kern-drijfkrachtveld wordt geconstrueerd tussen gegenereerde latenten ($\hat{z}_i$) en referentie-latenten ($z_{ref, j}$) op basis van hun decoderkenmerken: $V_{\tau, i} = \sum_j W^\tau_{ij} (\phi(z_{ref, j}) - \phi(\hat{z}_i))$.
   • Gradiëntkoppeling: Cruciaal is dat, terwijl de decodergewichten bevroren zijn, het gradiëntpad van het drijfkrachtverlies via de decoderkenmerkkaart $\phi(\hat{z})$ terug naar de generatorparameters $\theta$ open blijft. Dit creëert een "terugtrekmetriek" (pullback metric) waarbij de generatorupdates worden gewogen door de lokale structurele gevoeligheid van de decoder.
   • Diversiteit: Een $k$-NN latente afstotingsterm ($L_{zdiv}$) wordt toegevoegd aan de verliesfunctie om modale instorting te voorkomen en uniciteit te waarborgen.

3. Trainingsdoel:
   De generator minimaliseert een drijfkrachtverlies ($L_{drift}$) dat de decoderkenmerken van de gegenereerde latenten naar een doelverdeling trekt die wordt gedefinieerd door eigenschapsgelijkende referenties, gecombineerd met de diversiteitsregularisatie.

Belangrijkste Bijdragen

• SELFIES Latente Drijfkruftkader: Een goedkoop kader voor eigenschaps-voorwaardelijke generatie dat geldigheid (afgehandeld door SELFIES/VAE) scheidt van controleerbaarheid.
• Decoder-gekoppelde Drijfkracht: Een mechanisme dat de bevroren VAE-decoder gebruikt als drijfkrachtkenmerkruimte terwijl het gradiëntpad door de decoder naar de generator behouden blijft. Dit brengt de drijfkrachtgradiënt in lijn met het daadwerkelijke moleculaire decoderingsproces.
• Ablatiebewijs: Een uitgebreide ablatiestudie met 15 condities die aantoont dat decoderkoppeling de primaire drijver is van eigenschapscontrole, en dat dit beter presteert dan varianten met drijfkracht in de latente ruimte, willekeurige kenmerken of externe kenmerken.
• Efficiëntie: De methode bereikt eigenschapsbias met slechts één evaluatie van de generator plus één doorloop van de bevroren decoder, waardoor iteratief ontdoen van ruis of ODE-integratie wordt vermeden.

Resultaten
Geëvalueerd op ZINC250K met QED en meer-eigenschapsvoorwaardering:

• QED-controle: De standaard DriftingMol-instelling bereikt een QED Spearman-correlatie ($\rho$) van 0,493 met 94,7% uniciteit. De sterkste decoder-gekoppelde variant (zonder diversiteitsregularisatie) bereikt $\rho = 0,510$ maar met verminderde uniciteit (74,1%).
• Meer-eigenschapsvoorwaardering: Onder een protocol-gelijkgestelde vier-eigenschapsvoorwaardering (QED, SA, LogP, MolWt) bereikt de decoder-gekoppelde drijfkracht een gemiddelde Spearman-correlatie van 0,598.
• Ablatiebevindingen:
  • Noodzaak van Koppeling: Modellen die de decoder loskoppelen of stop-gradiënten gebruiken, leveren een QED-correlatie van bijna nul op ($\rho \approx 0,01$) en zeer lage uniciteit.
  • Kwaliteit van Kenmerken: Externe getrainde kenmerken (bijv. LatentMAE) of willekeurige kenmerken resulteren in aanzienlijk lagere correlaties ($\rho \approx 0,28\text{--}0,33$), wat aangeeft dat voorspellende kenmerken alleen onvoldoende zijn zonder de Jacobiaan van de decoder.
  • Diversiteit: Het verwijderen van de $z$-diversiteitsterm verhoogt de correlatie lichtjes, maar vermindert de uniciteit drastisch, wat de rol van de term in het voorkomen van modale instorting bevestigt.
• Basislijnen: Basislijnen met dezelfde ruggengraat (VAE, WGAN-GP, DDPM, Flow-Matching) getraind op dezelfde latente cache bereikten aanzienlijk lagere correlaties ($\rho < 0,16$).

Betekenis en Beweringen
Het artikel beweert dat decoder-gekoppelde drijfkracht een efficiënt mechanisme is voor eigenschaps-bias moleculaire generatie. De betekenis ligt in het wiskundige inzicht dat de bevroren decoder niet alleen een kenmerkruimte biedt, maar een specifieke terugtrekmetriek ($J_\phi^\top J_\phi$) die de geometrie definieert waarin de generator wordt geoptimaliseerd. Deze metriek brengt de updates van de generator in lijn met de structurele gevoeligheid van de moleculaire decoder.

De auteurs benadrukken dat:

1. Geldigheid op Representatieniveau ligt: Geldigheid wordt gegarandeerd door de SELFIES-representatie en de bevroren decoder, niet door de conditionele generator te leren.
2. Efficiëntie in Één Doorloop: De methode vermijdt de hoge inferentiekosten van iteratieve bemonstering.
3. Eigenschapsbias versus Exactheid: Het systeem is ontworpen voor eigenschaps-bias generatie (verrijking van bibliotheken naar doelgebieden) in plaats van eigenschaps-exacte optimalisatie. Het garandeert geen syntheseerbaarheid of biologische activiteit, en gegenereerde moleculen vereisen downstream filtering.
4. Mechanisme-specifiek: De prestatiewinsten worden specifiek toegeschreven aan de gradiëntkoppeling via de decoder, niet louter aan het gebruik van een voorgetrainde VAE of externe kenmerkextractoren.