用于探索可合成化学空间的生成式人工智能
Generative Artificial Intelligence for Navigating Synthesizable Chemical Space
AI总结：
本文提出 SynFormer 生成式框架，通过生成合成路径并结合 Transformer 与扩散模块，实现可合成化学空间的高效局部与全局探索，在药物发现和材料科学中具有应用潜力。
摘要：
我们介绍了 SynFormer，这是一个生成式建模框架，旨在高效地探索和导航可合成化学空间。与传统的分子生成方法不同，我们为分子生成合成路径，以确保设计在合成上是可行的。通过整合可扩展的 Transformer 架构和用于构建模块选择的扩散模块，SynFormer 在可合成分子设计方面超越了现有模型。我们在两个关键应用中展示了 SynFormer 的有效性：（1）局部化学空间探索，其中模型生成参考分子的可合成类似物；（2）全局化学空间探索，其中模型旨在根据黑盒性质预测预言机识别最优分子。此外，我们通过性能随更多计算资源可用而提升，展示了我们方法的可扩展性。随着我们的代码和训练模型公开可用，我们希望 SynFormer 能在药物发现和材料科学等应用中得到广泛应用。
英文摘要：
We introduce SynFormer, a generative modeling framework designed to efficiently explore and navigate synthesizable chemical space. Unlike traditional molecular generation approaches, we generate synthetic pathways for molecules to ensure that designs are synthetically tractable. By incorporating a scalable transformer architecture and a diffusion module for building block selection, SynFormer surpasses existing models in synthesizable molecular design. We demonstrate SynFormer's effectiveness in two key applications: (1) local chemical space exploration, where the model generates synthesizable analogs of a reference molecule, and (2) global chemical space exploration, where the model aims to identify optimal molecules according to a black-box property prediction oracle. Additionally, we demonstrate the scalability of our approach via the improvement in performance as more computational resources become available. With our code and trained models openly available, we hope that SynFormer will find use across applications in drug discovery and materials science.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
