开发新的分子化合物对于解决从药物发现到可持续材料的紧迫挑战至关重要。然而，由于搜索空间的广阔性，发现可行的新分子具有挑战性。
在《自然·机器智能》(Nature Machine Intelligence)上发表的一篇题为"一种用于生成逼真合成分子的协作约束图扩散模型"的新论文中，罗维拉·依维尔基里大学(Universitat Rovira i Virgili, URV)的研究人员开发了一种AI工具，能够生成保证符合化学规则的分子。该模型名为CoCoGraph，其工作原理类似于ChatGPT或Dall-E等用于文本或图像的生成式AI工具。
"这些模型创建的新内容看起来非常真实。我们的算法也做同样的事情，但针对的是分子，"URV化学工程系ICREA研究教授、该研究的共同通讯作者Roger Guimerà博士表示。他解释说，可能的化学分子数量可能高达10⁶⁰种变体，这比海洋中水分子的数量还要多。
CoCoGraph使用扩散模型，这是一种在图像生成中常用的技术，它逐步"打乱"一个真实分子，并训练系统学习如何重建它。
URV化学工程系教授、该研究的共同通讯作者Marta Sales-Pardo博士解释说，该模型从一个真实分子开始，打破键，然后随机创建新键。该模型随后学习如何逆转此过程以重建连贯的结构。
值得注意的是，CoCoGraph直接整合了化学的基本规则，如保持正确的键数，以确保生成的分子在化学上是有效的。该系统也更高效，使用更少的参数，并需要更少的计算能力来更快地生成分子。
研究团队已将CoCoGraph的性能与其他最先进的模型进行了比较，并分析了36种物理化学特性，如溶解度和结构复杂性。对于这些特性中的三分之二，CoCoGraph生成的分子在化学上比其他模型生成的分子更逼真。
尽管该模型目前还不能设计具有特定功能的分子，但研究人员已经确定了具有类似扑热息痛(paracetamol)药物特性的分子。他们还探索了部分修改现有分子以创建具有相似特征的新变体的技术，这对于优化药物或开发新材料很有用。
下一步是设计具有特定特性的分子，如溶解度和低毒性。如果成功，该技术可能会加速药理学和材料科学领域新解决方案的发现，而化学宇宙在很大程度上仍未被探索。
【全文结束】