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

技术摘要：基于 Token 级光学性质预处理的从头分子生成

问题陈述
具有目标光学性质的有机发光二极管（OLED）分子的发现受限于高质量实验数据的匮乏，以及生成模型在不同化学基元（motifs）上条件控制可靠性的局限。尽管光学信息学在预测分子性质方面已取得进展，但逆向设计问题——即生成具有特定吸收能量和振荡强度的全新分子——仍然受到约束。现有方法通常依赖大规模数据集，缺乏高保真电子结构验证（例如，含时密度泛函理论，TD-DFT），或者仅通过聚合分布而非化学子空间来评估成功率。本文旨在解决在现实低数据量环境下进行条件分子生成的挑战，重点探讨 Token 级的条件控制是否能可靠地引导生成面向特定光学目标的 OLED 候选分子（这些目标在 TD-DFT 水平上进行评估）。

方法论
作者提出了一种基于 GPT-2 的 Token 条件自回归语言模型流水线，该流水线分为三个不同的训练阶段：

1. 化学语言预训练： 模型在 ChEMBL 文库上进行预训练，以学习 SMILES 语法和有效的分子结构，而不涉及性质标签。
2. 性质预训练： 模型在一个大型计算 OLED 数据集（460,205 个分子）上进行训练，其中连续的光学性质被离散化为 Token。具体而言，垂直吸收能量 ($\Delta E_{S0 \to S1}$)、振荡强度 ($f_{S0 \to S1}$) 和 HOMO–LUMO 能隙被分箱（binning）并作为特殊 Token 附加在 SMILES 字符串之前。位置嵌入在这些 Token 位置被置零，以将它们视为全局条件信号而非序列元素。
3. 多任务微调： 模型在经过精选的较小数据集（约 41,500 个分子）上进行微调，该数据集具有一致的高质量 TD-DFT 标签（在 $\omega$B97X-D3/def2-SVPD 水平下计算）。此阶段采用 Nash 多任务学习，以平衡多个性质目标的优化并防止灾难性遗忘。

生成与验证
通过在吸收和振荡强度 Token 的网格中采样条件化的 SMILES 序列来生成候选分子。生成的库经过规范化处理，并进行有效性和唯一性过滤。至关重要的是，最终评估是在 TD-DFT 水平（使用 $\omega$B97X-D3 泛函和 def2-TZVP 基组）上进行的，用以评估电子结构可观测值，而非仅仅依赖于 Token 符合度或与训练分布的接近程度。

为了分析可控性，作者采用了重叠片段分子表示法（OFraMP）来解析局部电子环境。这使得能够进行化学型解析（chemotype-resolved）分析，以研究特定的局部基元如何影响模型满足联合目标约束的能力。

关键结果

• 全局分布保真度： 生成的库重现了训练分布中的主要光学性质支撑（涵盖近红外到紫外区域），但表现出向低分子量和更少重原子的结构偏移。模型在保持在光学性质流形上的同时，探索了结构更为紧凑的支架。
• Token 级可控性： 条件化在方向上是有效的；中值吸收能量和振荡强度通常随较高的 Token 索引而增加。然而，控制并非完全正交。对一种性质的调节会影响另一种性质，导致校准误差。生成的集合显示出比训练集更强的吸收能量与振荡强度之间的反相关性，这与能量间隙律（energy gap law）一致，特别是在低能（红移）区域。
• 依赖于化学型的可靠性： 可控性高度依赖于局部电子环境：
  • 富集基元： 中度共轭芳香碳基元（例如，半径为 2 的芳香碳环境）显示出改进的联合目标满足度（较基线提升 2.65 倍）。这些环境似乎占据了一个可平滑调节的电子区间。
  • 抑制基元： 吸电子基元，特别是芳基腈，表现出系统性的红移和降低的可控性。含有这些基元的分子经常无法满足联合目标，其平均吸收分箱偏移相对于目标值为 +1.75。这归因于强烈的局部电子扰动超过了离散分箱条件的解析度。

意义与主张
本文为条件式 OLED 分子生成建立了定量基准，证明了虽然 Token 级的光学预处理在粗略层面上是有效的，但其可靠性并非均匀分布。作者主张，必须在具有化学意义的子空间内评估模型可靠性，而不仅仅是通过聚合性质分布进行评估。

研究强调，离散性质条件的成功取决于局部电子扰动是否保持在条件方案的有效解析度之内。因此，本文将条件分子生成重新定义为一个需要进行化学型解析分析的问题，以识别控制在何处稳健、在何处退化，而不仅仅是一个纯粹的生成任务。这项工作并不声称已经解决了通用的逆向设计问题，而是提供了一个严谨的框架，用于评估和理解当前生成模型在低数据、高风险化学领域中的局限性。