.png){kind=icon}
返回
Multiobjective Fluorescent Molecule Design with a Data-Physics Dual-Driven Generative Framework
.png){kind=icon}
PRE
AI
DOI：10.1021/jacsau.6c00832.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
设计荧光小分子需要在广阔且尚未探索的化学空间中同时控制光学响应、亮度及理化约束。传统的生成-评分-筛选方法在如此实际的设计要求下变得不切实际，原因在于其搜索效率低、机器学习预测的泛化性不可靠以及量子化学计算成本过高。在此，我们提出LUMOS，一种基于数据和物理驱动的荧光分子逆向设计框架。LUMOS通过在共享的潜在表示中耦合生成器和预测器，实现了从规范到分子的直接设计和高效探索。此外，LUMOS结合神经网络与快速时依赖密度泛函理论（TD-DFT）计算工作流，构建了一套互补的预测器，涵盖速度、准确性和泛化性之间的不同权衡，从而能够在不同场景下实现可靠的性质预测。最后，LUMOS采用一种基于性质的扩散模型，并与多目标进化算法集成，实现了多目标及约束条件下的分子新设计和优化。在随机、骨架和荧光团分割的基准测试中，LUMOS展现出具有竞争力或改进的预测准确性，同时增强了物理一致性，而多目标优化则显著优于代表性基线。进一步的TD-DFT和分子动力学（MD）模拟验证表明，LUMOS能够生成符合各种目标规格的有效荧光分子。总体而言，这些结果确立了LUMOS作为数据-物理双驱动荧光分子逆向设计框架的地位。
