🤖 machine learning

Controllable Molecular Generative Foundation Models

O artigo apresenta o CoMole, um modelo fundamental gerador de moléculas controlável que utiliza um pipeline de difusão em grafos consciente de motivos e aprendizado por reforço para superar desafios do espaço de ação em nível atômico, alcançando desempenho e validade superiores em diversas tarefas de descoberta de materiais e fármacos sem exigir filtragem posterior.

Autores originais: Yihan Zhu, Yuhan Liu, Weijiang Li, Tengfei Luo, Meng Jiang

Publicado 2026-05-18

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Yihan Zhu, Yuhan Liu, Weijiang Li, Tengfei Luo, Meng Jiang

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você está tentando ensinar um chef robô a cozinhar um prato específico, como uma "sopa de tomate apimentada", mas você só dá a ele instruções um grão de sal ou uma gota de óleo por vez. Se o robô adicionar um grão de sal, depois uma gota de óleo, depois outro grão, ele pode acidentalmente criar uma bagunça salgada e oleosa que não é sopa de forma alguma. Ele precisa tomar milhares de decisões minúsculas e arriscadas antes mesmo de saber se o prato é comestível. Este é exatamente o problema que os cientistas enfrentam ao tentar usar IA para projetar novas moléculas (os blocos de construção de medicamentos e materiais).

Este artigo apresenta um novo sistema de IA chamado CoMole que resolve esse problema alterando como o robô pensa.

O Problema: A Armadilha "Átomo por Átomo"

Os modelos de IA atuais para projetar moléculas funcionam como aquele chef robô desajeitado. Eles tentam construir uma molécula um único átomo por vez (como adicionar um carbono, depois um hidrogênio).

O Risco: Como há tantos passos minúsculos, a IA frequentemente comete um pequeno erro no início (como conectar dois átomos de uma maneira que viola as leis da química). Uma vez que isso acontece, toda a molécula se torna inválida, e a IA precisa começar de novo.
O Resultado: A IA fica presa. Ela tenta aprender com recompensas (como "esta molécula é um bom medicamento"), mas quando percebe que cometeu um erro, já é tarde demais. O artigo chama isso de "colapso da trajetória" — a IA cai do penhasco da possibilidade química antes de conseguir subir de volta.

A Solução: A Estratégia "Bloco de LEGO"

Os autores perceberam que os químicos não pensam em átomos individuais; eles pensam em grupos de átomos que funcionam juntos, como um anel de benzeno ou um grupo funcional específico. Eles chamam esses grupos de "motivos".

Pense nisso como construir com LEGOs:

Antigo Jeito (Nível de átomo): Você tenta construir um castelo colando grãos de plástico individuais. Um grão errado, e a parede desaba.
Jeito do CoMole (Nível de motivo): Você constrói com blocos de LEGO pré-fabricados (paredes, janelas, torres). Você encaixa esses blocos grandes e estáveis.

O CoMole é um "Modelo de Fundação" (uma base inteligente e pré-treinada) que aprende a falar a linguagem desses blocos de LEGO. Em vez de decidir "adicione um carbono aqui", ele decide "anexe um anel de benzeno aqui".

Como Funciona: O Treinamento em Três Etapas

O artigo descreve um processo de treinamento em três etapas para fazer isso funcionar:

Pré-treinamento (A Biblioteca): Primeiro, a IA lê milhões de moléculas existentes para aprender como são os "blocos de LEGO" (motivos) válidos. Ela constrói uma biblioteca mental de estruturas químicas estáveis.
Ajuste Fino (O Livro de Receitas): Em seguida, ela aprende a seguir instruções específicas. Se você disser "preciso de uma molécula que seja boa em filtrar oxigênio", ela aprende a organizar seus blocos de LEGO para atender a esse objetivo.
Aprendizado por Reforço (A Prova de Paladar): Finalmente, a IA joga um jogo. Ela constrói uma molécula, verifica se atende ao objetivo (por exemplo, "é um bom medicamento?") e recebe uma pontuação.
- A Magia: Como ela está construindo com blocos de LEGO grandes em vez de grãos minúsculos, ela não colapsa com tanta frequência. Ela pode aprender com seus sucessos e fracassos muito mais rápido e de forma mais confiável.

Os Resultados: Melhor, Mais Rápido e Mais Seguro

Os autores testaram o CoMole em três desafios diferentes: projetar novos materiais para filtros de gás, criar polímeros com propriedades eletrônicas específicas e encontrar novos candidatos a medicamentos.

Controle: Em todas as nove tarefas diferentes que testaram, o CoMole foi o melhor em atingir o alvo. Por exemplo, quando solicitado a projetar um polímero com uma permeabilidade a gás específica, foi quase 50% mais preciso do que o próximo melhor método.
Validade: A parte mais impressionante é que o CoMole produz moléculas válidas 94% das vezes sem precisar que um humano corrija erros depois. Outros métodos frequentemente produzem moléculas quebradas que precisam ser descartadas.
Generalização: Mesmo quando solicitado a projetar para uma propriedade que nunca havia visto antes (como um tipo específico de energia elétrica), o CoMole ainda conseguiu fazer um ótimo trabalho apenas entendendo a "receita" da tarefa, sem precisar reaprender tudo do zero.

A Conclusão

O artigo afirma que, ao impedir que a IA tente construir moléculas átomo por átomo e, em vez disso, permitir que ela construa com "pedaços" pré-aprovados e quimicamente significativos (motivos), podemos criar um sistema muito mais confiável e controlável. É a diferença entre tentar construir uma casa empilhando grãos de areia individuais versus encaixar paredes e telhados pré-fabricados. O CoMole é o primeiro sistema a aplicar com sucesso essa abordagem de "LEGO" a um modelo de fundação de IA de propósito geral para projeto molecular.

Resumo Técnico: Modelos Fundacionais Generativos Moleculares Controláveis (CoMole)

Declaração do Problema

O design inverso molecular — a geração de estruturas com propriedades funcionais específicas — permanece um desafio central na descoberta científica. Embora métodos recentes de difusão em grafos tenham avançado a geração molecular, eles operam majoritariamente como modelos específicos para tarefas, com controle limitado sobre propriedades-alvo. O campo carece de um framework unificado capaz de lidar com tarefas de design heterogêneas (abrangendo descoberta de materiais e de fármacos) com controle confiável.

Tentativas de preencher essa lacuna usando Aprendizado por Reforço (RL) para pós-treinamento enfrentam um gargalo crítico quando aplicados à difusão em grafos em nível atômico. O vasto espaço de ações de baixo nível, atômicas e individuais, está mal alinhado com as subestruturas quimicamente significativas (motivos) que os químicos usam para formular racionalidades estrutura-propriedade. Como demonstrado no artigo, o RL em nível atômico frequentemente sofre de "colapso de trajetória", onde uma única escolha atômica inválida desvia a geração do manifold químico viável, tornando a recuperação difícil. Essa fragilidade leva a baixa validade e atribuição de crédito instável, impedindo que o modelo associe confiavelmente mudanças estruturais a recompensas de propriedades.

Metodologia

Os autores propõem o CoMole (Modelos Fundacionais Generativos Moleculares Controláveis), um framework unificado construído sobre um pipeline de difusão em grafos consciente de motivos. A inovação central é reparametrizar o processo de RL de difusão em grafos de um espaço de decisão em nível atômico para um espaço de decisão consciente de motivos.

1. Tokenização de Grafos Consciente de Motivos

O CoMole emprega um tokenizador baseado em Codificação de Pares de Nós (NPE) que aprende um vocabulário a partir de dados de pré-treinamento. Este tokenizador mapeia grafos moleculares quimicamente válidos em grafos de motivos ( $z_0$ ), onde os nós representam unidades atômicas disjuntas:

Átomos individuais (singleton).
Unidades de anel preservadas.
Subestruturas mescladas orientadas por dados (motivos de nível superior).

Esta representação preserva informações de nível de ligação e rótulos de ligação inter-motivos, permitindo reconstrução sem perdas enquanto comprime significativamente o estado do grafo.

2. Pipeline de Treinamento em Três Estágios

O CoMole segue um paradigma de modelo fundacional envolvendo três estágios:

Pré-treinamento (PT): O modelo aprende priores estruturais transferíveis sobre o espaço de grafos de motivos usando difusão incondicional.
Ajuste Fino Supervisionado (SFT): O modelo é condicionado a múltiplas propriedades (numéricas e categóricas) para introduzir alinhamento específico de tarefa.
Aprendizado por Reforço (RL): A política de difusão reversa condicional é otimizada via Otimização de Política Próxima (PPO) para alinhar-se com recompensas de propriedades-alvo terminais. Crucialmente, o RL opera sobre o espaço de ações consciente de motivos, onde as ações correspondem a decisões quimicamente significativas (por exemplo, anexar um anel de benzeno) em vez de edições atômicas individuais.

3. Justificativa Teórica

O artigo fornece uma análise teórica caracterizando o gargalo do RL em nível atômico. Ao definir a complexidade de decisão como o número de fatores categóricos no kernel reverso, os autores mostram que representações conscientes de motivos reduzem o tamanho do espaço de ações por um fator proporcional ao quadrado da razão de compressão átomo-motivo ( $\chi$ ). Essa redução estabiliza a otimização de política regularizada por KL, permitindo que as recompensas sejam creditadas mais diretamente a ações relevantes para a propriedade e prevenindo o colapso de trajetória.

Contribuições Principais

Modelo Fundacional Unificado: O CoMole é apresentado como a primeira família de modelos fundacionais generativos moleculares controláveis projetada para design inverso heterogêneo, preenchendo a lacuna entre métodos específicos para tarefas atuais e necessidades práticas.
RL Consciente de Motivos: O trabalho introduz uma abordagem inovadora para estabilizar o RL para geração de grafos, deslocando o espaço de decisão de átomos para motivos quimicamente significativos, justificando teoricamente por que isso reduz a complexidade de decisão e melhora a atribuição de crédito.
Controlabilidade Transferível: O framework demonstra a capacidade de transferir controlabilidade para alvos de propriedades não vistos, otimizando apenas os embeddings de tarefa enquanto mantém o gerador congelado, alcançando desempenho competitivo com bases de referência específicas para tarefas.

Resultados Experimentais

O CoMole foi avaliado em três benchmarks heterogêneos: permeabilidade de gases em polímeros, propriedades DFT de polímeros e tarefas de descoberta de fármacos (FreeSolv, BACE, BBBP).

Controlabilidade: O CoMole ficou em primeiro lugar em controlabilidade em todos os nove alvos.
- Em benchmarks de polímeros, reduziu o Erro Absoluto Médio (MAE) em mais de 44% em relação às melhores bases de referência.
- Em tarefas de fármacos, reduziu o MAE do FreeSolv em 13,1% e alcançou 1,0 de precisão na classificação BACE.
- Comparado às bases de referência mais fortes (por exemplo, Graph DiT, FREED), o CoMole reduziu o MAE em até 48,2%.
Validade: O modelo manteve uma taxa de validade acima de 0,94 em todos os conjuntos de dados sem correção baseada em regras ou filtragem post-hoc. Em contraste, variantes de RL em nível atômico sofreram quedas de validade (por exemplo, de 0,95 para 0,07) e falharam em manter a controlabilidade.
Generalização: Quando testado em alvos DFT não vistos ( $E_i$ , $\epsilon_s$ ) congelando o gerador e aprendendo apenas novos embeddings de tarefa, o CoMole alcançou desempenho competitivo com bases de referência treinadas diretamente nesses alvos.
Ablação: Substituir o tokenizador de motivos por uma representação em nível atômico causou uma falha catastrófica tanto na validade quanto na controlabilidade, confirmando a necessidade do design consciente de motivos.

Significado e Alegações

O artigo alega que o CoMole fornece uma base prática para design inverso molecular unificado, escalável e controlável. Ao transferir priores estruturais pré-treinados para geração controlada através de otimização de política consciente de motivos, o modelo aprende conhecimento estrutura-propriedade transferível que suporta diversas tarefas de design inverso.

Os autores enfatizam que seu design aborda a fragilidade fundamental do RL em nível atômico na geração de grafos. Ao estabilizar a geometria de otimização por meio de decisões quimicamente significativas, o CoMole alcança alta controlabilidade enquanto preserva a validade química, oferecendo um caminho para sistemas de design baseados em modelos fundacionais para moléculas e polímeros que podem preencher a lacuna entre geração hipotética e descoberta científica prática. O trabalho sugere que tais modelos podem ajudar pesquisadores a priorizar candidatos promissores sob restrições heterogêneas antes de comprometer-se com simulações ou experimentos caros.