Generative Artificial Intelligence for Navigating Synthesizable Chemical Space

要約

合成可能な化学空間を効率的に探索し、ナビゲートするために設計された生成モデリング・フレームワーク、SynFormerを紹介する。従来の分子生成アプローチとは異なり、分子の合成経路を生成し、設計が合成的に扱いやすいことを保証する。スケーラブルなトランスフォーマー・アーキテクチャーとビルディング・ブロック選択のための拡散モジュールを組み込むことで、SynFormerは合成可能な分子設計において既存のモデルを凌駕している。(1)参照分子の合成可能な類似体を生成する局所的化学空間探索、(2)ブラックボックス特性予測オラクルに従って最適分子を同定するグローバル化学空間探索。さらに、より多くの計算資源が利用可能になるにつれて性能が向上することで、本アプローチのスケーラビリティを実証する。SynFormerのコードと学習済みモデルは一般に公開されており、創薬や材料科学への応用が期待される。

要約(オリジナル)

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.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL