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

Technische Samenvatting: De Novo Moleculaire Generatie met Optische Eigenschap-Preconditionering op Token-niveau

Probleemstelling
De ontdekking van organische lichtemitterende diode (OLED)-moleculen met doelgerichte optische eigenschappen wordt gehinderd door de schaarste aan hoogwaardige experimentele data en de beperkte betrouwbaarheid van conditionele controle in generatieve modellen over diverse chemische motieven heen. Terwijl de optische informatica vooruitgang heeft geboekt in het voorspellen van eigenschappen vanuit moleculaire structuren, blijft het inverse ontwerp-probleem—het genereren van nieuwe moleculen met specifieke absorptie-energieën en oscillatiestrengths—beperkt. Bestaande benaderingen vertrouwen vaak op grote datasets, missen hoogwaardige validatie van elektronische structuren (bijv. Time-Dependent Density Functional Theory, TD-DFT), of beoordelen succes enkel via geaggregeerde distributies in plaats van chemische subruimten. Dit artikel adresseert de uitdaging van conditionele moleculaire generatie in een realistisch regime met weinig data, waarbij de focus ligt op de vraag of conditionering op token-niveau betrouwbaar de generatie van OLED-kandidaten kan sturen naar specifieke optische targets die geëvalueerd worden op TD-DFT-niveau.

Methodologie
De auteurs stellen een op tokens geconditioneerde autoregressieve taalmodel-pipeline voor op basis van GPT-2, gestructureerd in drie afzonderlijke trainingsstadia:

1. Chemische-Taal Pretraining: Het model wordt gepre-trained op de ChEMBL-bibliotheek om de SMILES-grammatica en geldige moleculaire structuren te leren zonder eigenschapslabels.
2. Eigenschap Pretraining: Het model wordt getraind op een grote computationele OLED-dataset (460.205 moleculen) waarbij continue optische eigenschappen zijn gediscretiseerd in tokens. Specifiek worden de verticale absorptie-energie ($\Delta E_{S0 \to S1}$), de oscillatiestrength ($f_{S0 \to S1}$) en de HOMO–LUMO-gap gebinned en als speciale tokens aan de SMILES-strings toegevoegd. Positionele embeddings worden op deze token-posities op nul gezet om ze te behandelen als globale conditioneringssignalen in plaats van sequentiële elementen.
3. Multi-Task Fine-Tuning: Het model wordt gefinetuned op een gecureerde, kleinere dataset (~41.500 moleculen) met consistente, hoogwaardige TD-DFT labels (berekend op het $\omega$B97X-D3/def2-SVPD-niveau). Deze fase maakt gebruik van Nash Multi-Task Learning om de optimalisatie van meerdere eigenschapsdoelstellingen in balans te brengen en catastrofale vergetelheid te voorkomen.

Generatie en Validatie
Kandidaten worden gegenereerd door het samplen van geconditioneerde SMILES-sequenties over een grid van absorptie- en oscillatiestrength-tokens. De gegenereerde bibliotheek ondergaat canonicalisering en filtering voor validiteit en uniciteit. Cruciaal is dat de uiteindelijke evaluatie wordt uitgevoerd op TD-DFT-niveau (met behulp van de $\omega$B97X-D3 functionaal en def2-TZVP basisset) om elektronische-structuur observabelen te beoordelen, in plaats van enkel te vertrouwen op token-naleving of nabijheid tot de trainingsdistributie.

Om de controleerbaarheid te analyseren, gebruiken de auteurs de Overlapping Fragment Molecular Representation (OFraMP) om lokale elektronische omgevingen te resolveren. Dit maakt een chemotype-geresolveerde analyse mogelijk van hoe specifieke lokale motieven de bekwaamheid van het model beïnvloeden om gezamenlijke target-restricties te voldoen.

Belangrijkste Resultaten

• Globale Distributionele Getrouwheid: De gegenereerde bibliotheek reproduceert de dominante optische eigenschap-support van de trainingsdistributie (variërend van nabij-IR tot UV), maar vertoont een structurele verschuiving naar lagere moleculaire gewichten en minder zware atomen. Het model blijft op de optische eigenschap-manifold terwijl het structureel compactere scaffolds verkent.
• Token-niveau Controleerbaarheid: Conditionering is directioneel effectief; de mediaan absorptie-energie en oscillatiestrength nemen over het algemeen toe met hogere token-indices. Echter, controle is niet volledig orthogonaal. Conditionering op één eigenschap beïnvloedt de andere, wat leidt tot kalibratiefouten. De gegenereerde set vertoont een sterkere anti-correlatie tussen absorptie-energie en oscillatiestrength dan de trainingsset, consistent met de 'energy gap law', met name in het laag-energetische (roodverschoven) regime.
• Chemotype-afhankelijke Betrouwbaarheid: Controleerbaarheid is sterk afhankelijk van lokale elektronische omgevingen:
  • Verrijkte Motieven: Matig geconjugeerde aromatische koolstofmotieven (bijv. radius-2 aromatische koolstofomgevingen) vertonen een verbeterde voldoening aan gezamenlijke targets (2,65x lift ten opzien van de baseline). Deze omgevingen lijken een soepel afstembaar elektronisch regime te bezetten.
  • Onderdrukte Motieven: Elektronenzuigende motieven, in het bijzonder aryl-nitrilen, vertonen systematische roodverschuivingen en verminderde controleerbaarheid. Moleculen die deze motieven bevatten, voldoen vaak niet aan de gezamenlijke targets en vertonen een gemiddelde absorptie-bin verschuiving van +1,75 ten opzichte van de target. Dit wordt toegeschreven aan sterke lokale elektronische perturbaties die de resolutie van de discrete bin-conditionering overstijgen.

Betekenis en Claims
Dit artikel vestigt een kwantitatieve benchmark voor conditionele OLED moleculaire generatie, en stelt vast dat hoewel token-niveau optische preconditionering effectief is op een grof niveau, de betrouwbaarheid ervan niet uniform is. De auteurs claimen dat de betrouwbaarheid van het model beoordeeld moet worden in chemisch betekenisvolle subruimten in plaats van enkel door geaggregeerde eigenschap-distributies alleen.

De studie benadrukt dat het succes van discrete eigenschap-conditionering afhangt van de vraag of lokale elektronische perturbaties binnen de effectieve resolutie van het conditioneringsschema blijven. Bij consequentie herkadert het artikel conditionele moleculaire generatie als een probleem dat een chemotype-geresolveerde analyse vereist om te identificeren waar controle robuust is en waar deze degradeert, in plaats van louter een generatieve taak. Het werk claimt niet het universeel hebben opgelost van het inverse ontwerp-probleem, maar biedt een rigoureus kader voor het evalueren en begrijpen van de beperkingen van huidige generatieve modellen in scenario's met weinig data en hoge inzet binnen de chemie.