Human-level molecular optimization driven by mol-gene evolution

这篇文章介绍了“深度遗传分子修饰算法”（DGMM），它将分子结构的优化提升到药物化学家的水平。DGMM使用离散变分自编码器（D-VAE）将分子编码为量化码mol-gene，将深度学习融入遗传算法中，以实现灵活的结构优化。mol-gene可以发现药理学上相似但结构上不同的化合物，并揭示了药物发现中结构优化的权衡。我们展示了DGMM在几个应用中的有效性。虽然通过de novo分子生成可以在广阔的化学空间中寻找更多类似药物的发现，但仍然需要进行领先优化，而分子结构的优化过程面临着平衡结构新颖性和药理学性质的挑战。

本文旨在解决药物发现中结构优化的问题，即如何在保持药理学特性的同时，生成更具有结构新颖性的分子。

本文提出了一种深度遗传分子修饰算法（DGMM），将结构修改带到药物化学家的水平。通过将分子编码为量化代码mol-gene，将深度学习引入遗传算法中，实现了灵活的结构优化。

本文的亮点包括：1.使用D-VAE将分子编码为mol-gene，实现了药理相似但结构不同的化合物发现；2.通过实验验证了DGMM的有效性；3.开源了代码，可供研究者使用；4.为药物发现中的结构优化问题提供了新思路。

在药物发现领域，近期的相关研究包括：1.使用生成对抗网络（GAN）生成药物分子；2.使用深度学习模型进行药物筛选；3.使用基于图神经网络的方法进行药物分子表示学习。