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

Resumo Técnico: Geração Molecular De Novo com Precondicionamento de Propriedades Ópticas ao Nível de Token

Problema
A descoberta de moléculas para diodos orgânicos emissores de luz (OLED) com propriedades ópticas direcionadas é dificultada pela escassez de dados experimentais de alta qualidade e pela confiabilidade limitada do controle condicional em modelos generativos através de diversos motivos químicos. Embora a informática óptica tenha avançado na predição de propriedades a partir de estruturas moleculares, o problema do design inverso — gerar novas moléculas com energias de absorção e forças de oscilador específicas — permanece restrito. Abordagens existentes frequentemente dependem de grandes conjuntos de dados, carecem de validação de estrutura eletrônica de alta fidelidade (ex: Teoria do Funcional de Densidade Dependente do Tempo, TD-DFT) ou avaliam o sucesso apenas através de distribuições agregadas, em vez de subespaços químicos. Este artigo aborda o desafio da geração molecular condicional em um regime realista de baixos dados, focando se o precondicionamento ao nível de token pode direcionar de forma confiável a geração de candidatos a OLED para alvos ópticos específicos avaliados ao nível de TD-DFT.

Metodologia
Os autores propõem um pipeline de modelo de linguagem autorregressivo condicionado por tokens baseado em GPT-2, estruturado em três estágios distintos de treinamento:

1. Pré-treinamento de Linguagem Química: O modelo é pré-treinado na biblioteca ChEMBL para aprender a gramática SMILES e estruturas moleculares válidas sem rótulos de propriedades.
2. Pré-treinamento de Propriedade: O modelo é treinado em um grande conjunto de dados computacionais de OLED (460.205 moléculas) onde propriedades ópticas contínuas são discretizadas em tokens. Especificamente, a energia de absorção vertical ($\Delta E_{S0 \to S1}$), a força de oscilador ($f_{S0 \to S1}$) e o gap HOMO–LUMO são agrupados (binning) e prefixados às strings SMILES como tokens especiais. Os embeddings posicionais são zerados nessas posições de token para tratar estes como sinais de condicionamento global em vez de elementos sequenciais.
3. Ajuste Fino Multitarefa (Multi-Task Fine-Tuning): O modelo é ajustado em um conjunto de dados selecionado e menor (~41.500 moléculas) com rótulos TD-DFT consistentes e de alta qualidade (calculados ao nível $\omega$B97X-D3/def2-SVPD). Este estágio emprega Aprendizado Multitarefa de Nash para equilibrar a otimização de múltiplos objetivos de propriedade e prevenir o esquecimento catastrófico.

Geração e Validação
Candidatos são gerados através da amostragem de sequências SMILES condicionadas através de uma grade de tokens de absorção e força de oscilador. A biblioteca gerada passa por canonicalização e filtragem para validade e unicidade. Crucialmente, a avaliação final é realizada ao nível de TD-DFT (usando o funcional $\omega$B97X-D3 e o conjunto de bases def2-TZVP) para avaliar observáveis de estrutura eletrônica, em vez de depender apenas da conformidade do token ou da proximidade com a distribuição de treinamento.

Para analisar a controlabilidade, os autores utilizam a Representação Molecular de Fragmentos Sobrepostos (OFraMP) para resolver ambientes eletrônicos locais. Isso permite uma análise resolvida por quimiotipo de como motivos locais específicos influenciam a capacidade do modelo de satisfazer restrições conjuntas de alvos.

Resultos Principais

• Fidelidade Distribucional Global: A biblioteca gerada reproduz o suporte de propriedade óptica dominante da distribuição de treinamento (abrangendo de infravermelho próximo a UV), mas exibe um deslocamento estrutural para pesos moleculares menores e menos átomos pesados. O modelo permanece na manifold de propriedades ópticas enquanto explora scaffolds estruturalmente mais compactos.
• Controlabilidade ao Nível de Token: O condicionamento é direcionais efetivo; a energia de absorção mediana e a força de oscilador geralmente aumentam com índices de token mais altos. No entanto, o controle não é totalmente ortogonal. O condicionamento em uma propriedade influencia a outra, levando a erros de calibração. O conjunto gerado mostra uma anti-correlação mais forte entre energia de absorção e força de oscilador do que o conjunto de treinamento, consistente com a lei do gap de energia, particularmente no regime de baixa energia (deslocado para o vermelho).
• Confiabilidade Dependente de Quimiotipo: A controlabilidade é altamente dependente de ambientes eletrônicos locais:
  • Motivos Enriquecidos: Motivos aromáticos de carbono moderadamente conjugados (ex: ambientes de carbono aromático de raio-2) mostram melhor satisfação de alvos conjuntos (elevação de 2,65x sobre o baseline). Estes ambientes parecem ocupar um regime eletrônico suavemente ajustável.
  • Motivos Suprimidos: Motivos retiradores de elétrons, particularmente nitrilas de arila, exibem um deslocamento para o vermelho sistemático e reduzida controlabilidade. Moléculas contendo estes motivos frequentemente falham em atender aos alvos conjuntos, mostrando um desvio médio de bin de absorção de +1,75 em relação ao alvo. Isso é atribuído a perturbações eletrônicas locais fortes que excedem a resolução do esquema de condicionamento discreto.

Significância e Alegações
O artigo estabelece um benchmark quantitativo para a geração molecular condicional de OLED, demonstrando que, embora o precondicionamento óptico via token seja eficaz em um nível grosseiro, sua confiabilidade não é uniforme. Os autores alegam que a confiabilidade do modelo deve ser avaliada em subespaços quimicamente significativos, em vez de apenas através de distribuições de propriedades agregadas.

O estudo destaca que o sucesso do condicionamento de propriedades discretas depende de se as perturbações eletrônicas locais permanecem dentro da resolução efetiva do esquema de condicionamento. Consequentemente, o artigo reformula a geração molecular condicional como um problema que requer análise resolvida por quimiotipo para identificar onde o controle é robusto e onde ele degrada, em vez de uma tarefa puramente generativa. O trabalho não alega ter resolvido o problema do design inverso universalmente, mas fornece um framework rigoroso para avaliar e compreender as limitações dos modelos generativos atuais em domínios químicos de alto risco e baixos dados.