「两全其美」，从头设计分子，深度学习架构S4用于化学语言建模
内容提要
荷兰埃因霍芬理工大学的研究人员引入了一种新的深度学习架构（S4）来进行药物设计。S4模型在学习序列的全局属性方面表现出色，并在药物发现任务中展示出潜力。研究人员还测试了S4在设计类药物分子和天然产物方面的能力，并发现S4能够生成更多有效、独特和新颖的分子。此外，S4还在激酶抑制方面展示了高活性的预测能力。研究人员认为S4在化学语言建模中具有潜力，并希望将其与湿实验室实验相结合以进一步提高其在药物设计领域的应用。
延伸解读
S4的“两全其美”从何而来
S4结合了Transformer和LSTM的优势：训练时像Transformer一样对整个序列进行卷积处理，能捕捉全局属性；生成时像LSTM一样循环地一次输出一个字符。这种双重性质使其既能学习复杂分子特性，又能高效探索多种支架。文章指出，S4在训练速度上与GPT相当，比LSTM快约1.3倍，生成速度则最快，这为药物设计提供了效率与性能的平衡。
基准测试中的实际表现
在MOSES基准上，S4始终位列表现最好的深度学习方法之列。针对类药物分子，S4生成的新分子数量比基准多出约4000到12000个；在更具挑战性的天然产物设计中，S4生成的有效分子数量最多，比基准多约6000到12000个（好7-13%），但LSTM在新颖性上略高。这些结果说明S4在有效性和多样性上具有优势，但并非在所有指标上都绝对领先。
前瞻性验证与潜在应用
研究人员将S4用于设计MAPK1抑制剂，通过分子动力学模拟评估，10个设计分子中有8个被预测为高活性，且预测亲和力与最接近的微调分子相当或更高。这初步验证了S4在真实靶点上的设计能力。未来，研究者希望将S4与湿实验室实验结合，并探索其在更长序列（如大环肽和蛋白质）及其他分子任务（如有机反应规划和基于结构的药物设计）中的潜力。
Q&A
S4模型在药物设计中有什么优势？
S4模型在学习序列的全局属性方面表现出色，能够生成更多有效、独特和新颖的分子，并在激酶抑制方面展示了高活性的预测能力。
S4模型如何与其他深度学习架构比较？
与LSTM和GPT相比，S4在捕捉复杂分子性质方面表现更好，同时在设计有效且多样化的分子方面与LSTM相当或更好。
S4模型在设计天然产物方面的表现如何？
S4在设计天然产物时表现出色，生成的有效分子数量最多，且训练和生成速度较快。
研究人员如何验证S4模型的生物活性预测能力？
研究人员通过分子动力学模拟评估设计的假定生物活性，结果显示设计的10个分子中有8个被预测为高活性。
S4模型的双重性质是什么？
S4模型的双重性质包括在整个输入序列上进行训练以学习复杂的全局属性，并一次生成一个字符串元素，结合了Transformer和LSTM的优势。
未来S4模型在药物设计领域的应用方向是什么？
未来研究人员希望将S4与湿实验室实验相结合，以增强其在药物设计领域的应用。
