A Genetic Algorithm for Navigating Synthesizable Molecular Spaces

本文提出了 SynGA，一种直接在合成路线上运行并通过定制算子确保分子可合成性的遗传算法，该算法不仅能作为强大的独立基线解决多种分子设计任务，还能与机器学习过滤器结合形成 SynGBO，在属性优化方面达到最先进水平。

要点

这篇论文介绍了一种名为 SynGA 的新方法，它就像是一位**“懂化学的超级建筑师”，专门负责设计既能满足特定功能（比如能治病），又能真正被造出来**的新分子。

为了让你更容易理解，我们可以把分子设计想象成**“用乐高积木搭房子”**。

1. 核心问题：为什么之前的“建筑师”会翻车？

在药物研发中，科学家需要设计新的分子（房子）。

• 以前的 AI 建筑师（机器学习模型）： 它们非常聪明，能设计出各种奇形怪状、功能强大的“房子”。但是，它们有个大毛病：它们不懂“施工规范”。它们可能会设计出一些用现有积木根本拼不出来的结构，或者需要用到还没被发明出来的神奇胶水。结果就是：设计图很完美，但工厂里根本造不出来（不可合成）。
• 传统的遗传算法（GA）： 这是一种模仿生物进化的方法（像自然选择一样，优胜劣汰）。以前的遗传算法虽然能进化出好房子，但它们通常是“瞎拼”，经常拼出一些不稳定的结构，或者需要专家手动去检查能不能造出来，效率很低。

2. SynGA 的解决方案：直接在“施工图纸”上进化

SynGA 的聪明之处在于，它不直接设计“房子”（分子），而是直接设计“施工图纸”（合成路线）。

• 积木库（Building Blocks）： 想象有一个巨大的乐高仓库，里面有 20 万种现成的、可以买到的积木块（化学原料）。
• 施工规则（Reaction Templates）： 仓库里还有一套说明书，规定了哪些积木可以拼在一起（化学反应规则）。
• SynGA 的工作方式：
  1. 它不凭空想象房子，而是从仓库里随机抓几块积木，按照说明书拼成一个“半成品”。
  2. 它通过**“交叉”（Crossover）和“变异”（Mutation）**来进化：
     • 交叉： 就像把两个优秀建筑师的图纸剪开，把 A 的“地基”和 B 的“屋顶”拼在一起，只要符合说明书，就能拼出一个新房子。
     • 变异： 随机换掉某一块积木，或者换一种拼法。
  3. 关键点： 因为它是直接操作图纸和积木，所以它拼出来的每一个“房子”，天然就是可以造出来的。它永远不会设计出“空中楼阁”。

3. 两大绝招：如何让它更聪明？

虽然 SynGA 保证了“能造出来”，但如果仓库里有 20 万块积木，它就像在大海里捞针，效率太低。于是作者给它加了两个“外挂”：

绝招一：智能筛选器（Building Block Filtering）—— “只挑对的积木”

• 场景： 假设你想找一个和“阿司匹林”很像的止痛药（类比搜索）。
• 做法： SynGA 会先训练一个**“小老师”（机器学习模型）**。这个小老师看过几百万张图纸，它知道：“哦，如果要造止痛药，通常只需要用仓库里那 100 种特定的积木，其他的 19 万种根本用不上。”
• 效果： 于是，SynGA 在进化时，只从那 100 种积木里挑，速度瞬间提升了成千上万倍，而且找到的结果更精准。

绝招二：贝叶斯优化助手（SynGBO）—— “带着导航仪寻宝”

• 场景： 假设你想设计一种药，让它既能抗癌，副作用又小（属性优化）。这就像在茫茫大海上找宝藏，而且每试一次都要花很多钱（实验成本高）。
• 做法： SynGA 变成了一个**“寻宝小队”。它不再盲目乱撞，而是结合了一个“预测地图”（高斯过程模型）**。
  • 这个地图会告诉它：“往东走可能没宝藏，往西走概率大一点。”
  • SynGA 就专门往概率大的地方去“变异”和“交叉”。
• 效果： 这种方法叫 SynGBO。它用极少的实验次数（样本效率极高），就找到了性能最好的分子，甚至打败了那些不需要考虑“能不能造出来”的顶级 AI 模型。

4. 总结：为什么这很重要？

这就好比以前的 AI 是**“只会画图的艺术家”，画得再美，工厂也造不出；而 SynGA 是“懂工程的总工”**。

• 它简单高效： 不需要庞大的算力去训练复杂的生成模型，它像老练的工匠一样，通过不断的“试错 - 改进”来进化。
• 它脚踏实地： 它设计出来的每一个分子，都是实验室里明天就能开始合成的。
• 它灵活多变： 既可以单独干活（作为基准线），也可以作为核心模块，嵌入到更复杂的 AI 系统中，帮助人类更快地发现新药。

一句话总结：
SynGA 就像一位**“既懂设计又懂施工”的超级管家**，它利用进化论的原理，在确保所有设计都能真正落地生产的前提下，快速帮我们找到最完美的分子结构。这大大降低了新药研发的成本和风险。

技术摘要

这是一篇发表于 ICLR 2026 的会议论文，题为《A GENETIC ALGORITHM FOR NAVIGATING SYNTHESIZABLE MOLECULAR SPACES》（一种用于导航可合成分子空间的遗传算法）。该论文由麻省理工学院（MIT）的研究人员提出，介绍了一种名为 SynGA 的新型遗传算法，旨在直接在合成路线空间中进行分子设计，从而确保生成的分子具有可合成性。

以下是该论文的详细技术总结：

1. 研究背景与问题 (Problem)

• 分子设计的挑战：新型分子的设计是一个昂贵且耗时的过程。计算工具虽然能加速这一过程，但面临分子空间的离散组合性质和样本效率低下的挑战。
• 可合成性瓶颈：许多现有的生成式模型（如 VAE、RL、GFlowNets、LLM）通常是“合成无关”（synthesis-agnostic）的，它们生成的分子可能无法在实验室中合成，或者合成路线极其困难。
• 现有解决方案的局限：
  • 后处理（Post-hoc）使用逆合成模型验证可合成性会导致极高的计算成本（每次评估需数分钟）。
  • 现有的“合成感知”方法通常依赖训练一个机器学习模型将任意分子投影回合成空间，这需要昂贵的训练成本和推理开销，且投影模块的泛化能力难以保证。
• 核心问题：如何设计一种轻量级、无需复杂训练、且能原生保证分子可合成性的分子设计算法？

2. 方法论 (Methodology)

2.1 SynGA：基于合成树的遗传算法

SynGA 的核心创新在于它不直接操作分子结构（如 SMILES 或分子图），而是直接操作合成路线（Synthesis Routes）。

• 表示方法：合成路线被表示为无序二叉树。
  • 叶子节点：代表购买的构建块（Building Blocks, B）。
  • 内部节点：代表反应模板（Reaction Templates, R）及其产物。
  • 根节点：代表最终生成的目标分子。
• 遗传算子（Genetic Operators）：作者设计了定制的交叉和变异算子，确保所有操作都在合成空间内有效进行：
  • 交叉 (Crossover)：从两个父代合成树中枚举子树，寻找可以通过反应模板兼容的子树对，将其融合生成新的合成树。
  • 变异 (Mutation)：包含五种操作：
    1. Grow (生长)：在树根添加新的反应和构建块。
    2. Shrink (收缩)：随机截断树的一部分。
    3. Rerun (重跑)：保持构建块和反应不变，但随机重新分配中间产物（利用反应可能产生多种产物的特性）。
    4. Change Internal (改变内部节点)：替换内部节点的反应模板。
    5. Change Leaf (改变叶子节点)：替换叶子节点的构建块。
• 优势：由于算子直接基于反应模板和构建块库，生成的任何分子在构造上都是可合成的，无需后处理验证。

2.2 构建块过滤 (Building Block Filtering)

为了在庞大的构建块库（约 20 万个）中高效搜索，作者引入了机器学习辅助的过滤机制：

• 类比搜索任务 (Analog Search)：
  • 训练一个轻量级的二分类 MLP 模型，预测给定的构建块是否能生成与查询分子相似的分子。
  • 在搜索过程中，动态缩小构建块集合（Filtering），仅使用高概率相关的构建块，大幅减少搜索空间。
• 属性优化任务 (Property Optimization)：
  • 由于缺乏明确的“目标分子”，分类任务不适用。作者采用了神经加性模型 (Neural Additive Models, NAM)。
  • NAM 将分子属性建模为各个构建块分数的加权和。
  • 利用 NAM 对构建块进行评分，筛选出高分构建块子集，引导遗传算法向高属性值区域探索。

2.3 SynGBO：基于模型的贝叶斯优化变体

针对属性优化任务，作者提出了 SynGBO，将 SynGA 集成到贝叶斯优化（Bayesian Optimization, BO）框架中：

• 内循环：使用 SynGA（配合 NAM 过滤）来最大化采集函数（Acquisition Function，如 UCB）。
• 外循环：使用高斯过程（GP）作为代理模型，根据已评估的样本更新模型。
• 协同作用：NAM 提供先验引导构建块空间，GP 提供精确的属性预测，两者结合实现了样本效率极高的优化。

3. 主要贡献 (Key Contributions)

1. SynGA 算法：提出了一种直接在合成树空间演化的简单遗传算法，无需训练复杂的投影模型，原生保证分子的可合成性。
2. ML 增强的过滤机制：
   • 针对类比搜索，提出基于分类器的构建块过滤方法。
   • 针对属性优化，提出基于神经加性模型（NAM）的构建块评分与过滤方法。
3. SynGBO：将 SynGA 与贝叶斯优化结合，实现了在合成约束下的高效属性优化。
4. 广泛的基准测试：在多个任务上验证了方法的有效性，包括可合成类比搜索、实用分子优化（PMO）基准以及基于 3D 结构的对接（Docking）任务。

4. 实验结果 (Results)

4.1 可合成类比搜索 (Synthesizable Analog Search)

• 任务：为 ChEMBL 数据库中的分子寻找结构相似且可合成的类似物。
• 表现：
  • SynGA (配合 MLP 过滤) 在重建率（RR）和多种相似度指标（Morgan, Scaffold, Gobbi）上均优于或持平于现有的合成感知模型（如 SynFormer, ChemProjector）。
  • 显著优势：SynGA 生成的分子100% 有效（由算子保证），而基于生成模型的方法（如 SynFormer）存在少量无效路线。
  • 效率：虽然 SynGA 的推理时间比摊销式模型（SynFormer）慢（约 3 倍），但它更轻量，且易于适配新的构建块和反应模板。

4.2 属性优化 (Property Optimization - PMO Benchmark)

• 任务：在 23 个实用分子优化（PMO）任务中，在有限的 Oracle 调用次数（10k）内优化分子属性。
• 表现：
  • 基础版 SynGA 的表现优于其他合成感知方法（如 SynNet），但略逊于无合成约束的 SOTA 方法（如 f-RAG, GPBO）。这反映了合成约束带来的搜索空间限制。
  • SynGBO（结合 NAM 和 GP）取得了SOTA 性能，甚至在某些任务上超越了无约束的 GPBO，证明了在合成约束下通过模型引导进行搜索的有效性。

4.3 3D 对接优化 (3D Docking Optimization)

• 任务：优化分子与蛋白质受体（LIT-PCBA 数据集）的结合亲和力（Vina 分数）。
• 表现：
  • SynGA 仅使用 16,000 次 Oracle 调用（是其他基线方法的 1/4），在多个受体上取得了优于所有合成感知基线（如 SynFlowNet, RxnFlow）的对接分数。
  • SynGBO 进一步提升了性能，达到了所有方法中的最佳对接分数，且显著优于 3DSynthFlow（后者虽然结合了 3D 信息，但 SynGBO 在样本效率上更具优势）。

5. 意义与结论 (Significance & Conclusion)

• 范式转变：SynGA 证明了通过原生约束（在算子层面保证合成性）而非后处理投影来处理合成约束是可行且高效的。
• 轻量级与通用性：SynGA 不需要训练庞大的生成模型，计算开销低，易于部署和集成到现有的工作流中。
• 混合架构的潜力：论文展示了将经典遗传算法与轻量级机器学习（分类器、NAM、GP）结合的巨大潜力。SynGA 既可以作为独立的基线，也可以作为未来更复杂合成感知工作流中的核心模块。
• 实际价值：该方法生成的分子不仅具有理想的属性，而且具备明确的、可执行的合成路线，极大地降低了从计算设计到实验室合成的转化门槛。

总结：这篇论文提出了一种简单而强大的遗传算法框架，通过直接在合成树空间操作，成功解决了分子设计中“可合成性”与“性能优化”之间的权衡问题，并在多个基准测试中达到了最先进的性能水平。