2つのレベルで拡散し、複数の特性の最適化：望ましい特性を持つ分子を生成するための新しいアプローチ

過去10年間で、人工知能（AI）駆動型の薬物設計と発見は、AI地域のホットな研究トピックとなっています。これは、GANベースのモデルやVAEベースのモデルから最新のモデルまで、生成モデルによる分子生成であるAI領域であります。拡散ベースのモデル。ただし、ほとんどの既存のモデルは、主に生成された分子の妥当性や一意性などの基本的な特性を追求しています。いくつかはさらに、1つの重要な分子特性（QEDまたはPLOGPなど）を明示的に最適化し、実際に最も生成された分子がほとんど有用ではありません。この論文では、望ましい特性を持つ分子を生成するための新しいアプローチを提示し、複数の革新的な設計で拡散モデルフレームワークを拡大します。ノベルティは2つあります。一方では、分子の構造が複雑で多様であり、分子特性は通常、いくつかの下部構造（例えば、薬物型）によって決定されることを考慮して、それぞれ分子と分子断片の2つの構造レベルで拡散を実行することを提案します。混合ガウス分布は、逆拡散プロセスのために取得されます。望ましい分子断片を取得するために、新しい電子効果ベースの断片化法を開発します。一方、拡散モデルフレームワークの下で複数の分子特性を明示的に最適化する2つの方法を紹介します。まず、潜在的な薬物分子は化学的に有効である必要があるため、エネルギー誘導関数によって分子妥当性を最適化します。第二に、潜在的な薬物分子はさまざまな特性で望ましいものであるはずなので、複数の分子特性を同時に最適化するために多目的メカニズムを採用します。2つのベンチマークデータセットQM9とZINC250Kを使用した広範な実験は、提案された方法によって生成された分子が、現在のSOTAモデルによって生成されたものよりも妥当性、一意性、斬新、QED、およびPLOGPが優れていることを示しています。D2L-ompのコードは、https：//github.com/bz99bz/d2l-opで入手できます。

In the past decade, Artificial Intelligence (AI) driven drug design and discovery has been a hot research topic in the AI area, where an important branch is molecule generation by generative models, from GAN-based models and VAE-based models to the latest diffusion-based models. However, most existing models pursue mainly the basic properties like validity and uniqueness of the generated molecules, a few go further to explicitly optimize one single important molecular property (e.g., QED or PlogP), which makes most generated molecules little usefulness in practice. In this paper, we present a novel approach to generating molecules with desirable properties, which expands the diffusion model framework with multiple innovative designs. The novelty is two-fold. On the one hand, considering that the structures of molecules are complex and diverse, and molecular properties are usually determined by some substructures (e.g., pharmacophores), we propose to perform diffusion on two structural levels: molecules and molecular fragments respectively, with which a mixed Gaussian distribution is obtained for the reverse diffusion process. To get desirable molecular fragments, we develop a novel electronic effect based fragmentation method. On the other hand, we introduce two ways to explicitly optimize multiple molecular properties under the diffusion model framework. First, as potential drug molecules must be chemically valid, we optimize molecular validity by an energy-guidance function. Second, since potential drug molecules should be desirable in various properties, we employ a multi-objective mechanism to optimize multiple molecular properties simultaneously. Extensive experiments with two benchmark datasets QM9 and ZINC250k show that the molecules generated by our proposed method have better validity, uniqueness, novelty, Fr´echet ChemNet Distance (FCD), QED, and PlogP than those generated by current SOTA models. The Code of D2L-OMP is available at https://github.com/bz99bz/D2L-OMP.